{"id":11933,"date":"2025-10-29T10:31:23","date_gmt":"2025-10-29T09:31:23","guid":{"rendered":"https:\/\/e-ucebnice.ff.ucm.sk\/?page_id=11933"},"modified":"2025-11-25T15:18:52","modified_gmt":"2025-11-25T14:18:52","slug":"statistika-prakticky-12","status":"publish","type":"page","link":"https:\/\/e-ucebnice.ff.ucm.sk\/index.php\/statistika-prakticky-12\/","title":{"rendered":"Statistika-prakticky-12"},"content":{"rendered":"\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
<\/div>\n\t\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

\u0160TATISTIKA PRAKTICKY (NIELEN) V Z\u00c1VERE\u010cN\u00ddCH PR\u00c1CACH<\/h1>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

12.LINE\u00c1RNA REGRESN\u00c1 ANAL\u00ddZA<\/h3>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Ako sme zistili v predch\u00e1dzaj\u00facej kapitole, unik\u00e1tny vz\u0165ah medzi dvomi premenn\u00fdmi je mo\u017en\u00e9 vyjadri\u0165 prostredn\u00edctvom korela\u010dn\u00e9ho koeficientu (resp. taktie\u017e silu a smer tohto vz\u0165ahu). Medzi vn\u00edmanou mierou podpory od u\u010dite\u013ea a\npozit\u00edvnym vz\u0165ahom ku \u0161kole bol kladn\u00fd, stredne siln\u00fd vz\u0165ah. \u010c\u00edm bola podpora od u\u010dite\u013ea vy\u0161\u0161ia, t\u00fdm bol vz\u0165ah \u017eiaka ku \u0161kole pozit\u00edvnej\u0161\u00ed. Ak zist\u00edme prostredn\u00edctvom korela\u010dn\u00e9ho koeficientu, \u017ee medzi dvomi premenn\u00fdmi existuje s\u00favislos\u0165, dok\u00e1\u017eeme vyslovi\u0165 taktie\u017e predikciu.
\nKorela\u010dn\u00fd koeficient vyjadruje, \u017ee sa hodnoty jednej premennej menia s\u00fa\u010dasne pri zmen\u00e1ch hodn\u00f4t druhej premennej, av\u0161ak regresn\u00e1 anal\u00fdza dok\u00e1\u017ee odpoveda\u0165 na ot\u00e1zku (1) ak\u00fd ve\u013ek\u00fd efekt m\u00e1 nez\u00e1visl\u00e1 premenn\u00e1 na z\u00e1visl\u00fa premenn\u00fa a z\u00e1rove\u0148 (2) ak\u00fa hodnotu bude ma\u0165 z\u00e1visl\u00e1 premenn\u00e1 za ur\u010ditej hodnoty nez\u00e1vislej premennej. Resp. na z\u00e1klade zn\u00e1mych hodn\u00f4t jednej premennej je mo\u017en\u00e9 predpoveda\u0165 hodnoty druhej premennej.
\nPredikcia je v\u0161ak spo\u013eahliv\u00e1 jedine v takom pr\u00edpade, \u017ee zist\u00edme s\u00favislos\u0165 medzi\ndvoma (alebo viacer\u00fdmi) premenn\u00fdmi. Miera spo\u013eahlivosti predikcie na z\u00e1klade sily\nvz\u0165ahu medzi premenn\u00fdmi teda m\u00f4\u017ee kol\u00edsa\u0165 od irelevantnej a\u017e po ve\u013emi dobr\u00fa. Mo\u017en\u00fdmi pr\u00edkladmi tak\u00fdchto predikci\u00ed s\u00fa: Predikuje miera vn\u00edman\u00e9ho \u0161\u0165astia kvalitu \u017eivota \u010dloveka? Ako IQ predikuje hodnotenie zamestnancov ako kompetentn\u00fdch? Ako IQ, doba \u0161t\u00fadia, socioekonomick\u00fd status a motiv\u00e1cia predikuj\u00fa akademick\u00fd v\u00fdkon \u0161tudentov? Ako \u00farove\u0148 stresu, zvl\u00e1danie stresu a soci\u00e1lna podpora ovplyv\u0148uj\u00fa psychick\u00e9 zdravie jedincov? Je mo\u017en\u00e9 prostredn\u00edctvom spokojnosti s pracovn\u00fdmi podmienkami, platom, pracovnou istotou a interperson\u00e1lnymi vz\u0165ahmi predikova\u0165 celkov\u00fa pracovn\u00fa spokojnos\u0165\nzamestnancov? Do akej miery osobnostn\u00e9 \u010drty (extroverzia, neurotizmus, svedomitos\u0165) predikuj\u00fa rizikov\u00e9 spr\u00e1vanie?
\nU\u017e z uveden\u00fdch pr\u00edkladov je mo\u017en\u00e9 vidie\u0165, \u017ee regresn\u00fa anal\u00fdzu m\u00f4\u017eeme uskuto\u010dni\u0165 pre dvojicu premenn\u00fdch a taktie\u017e pre viacero premenn\u00fdch, pri\u010dom pre druh\u00fa situ\u00e1ciu plat\u00ed, \u017ee uv\u00e1dzame nieko\u013eko prediktorov (nez\u00e1visl\u00fdch premenn\u00fdch) a jednu z\u00e1visl\u00fa premenn\u00fa. Na z\u00e1klade po\u010dtu premenn\u00fdch rozli\u0161ujeme JEDNODUCH\u00da REGRESN\u00da ANAL\u00ddZU a VIACN\u00c1SOBN\u00da REGRESN\u00da ANAL\u00ddZU.
\nPrediktor (nez\u00e1visl\u00e1 premenn\u00e1) je tak\u00e1 premenn\u00e1, ktor\u00fa vyu\u017eijeme na predpovedanie\nz\u00e1vislej premennej a cie\u013eom ka\u017edej regresnej anal\u00fdzy je predikovanie (resp.\npredpovedanie) hodn\u00f4t z\u00e1vislej premennej (niekedy sa z\u00e1visl\u00e1 premenn\u00e1 naz\u00fdva tie\u017e\nv\u00fdsledn\u00e1, predikovan\u00e1 alebo kriteri\u00e1lna premenn\u00e1). Pokia\u013e hovor\u00edme o z\u00e1visl\u00fdch a\nnez\u00e1visl\u00fdch premenn\u00fdch, nazna\u010duje to kauz\u00e1lny (pr\u00ed\u010dinno-n\u00e1sledn\u00fd) vz\u0165ah, d\u00f4le\u017eit\u00e9\nje v\u0161ak podotkn\u00fa\u0165, \u017ee kauz\u00e1lne vz\u0165ahy zis\u0165ujeme prostredn\u00edctvom realizovania\nexperiment\u00e1lnych v\u00fdskumov! Line\u00e1rnu regresn\u00fa anal\u00fdzu vyu\u017e\u00edvame taktie\u017e v korela\u010dn\u00fdch dizajnoch, \u010do znamen\u00e1, \u017ee viacero premenn\u00fdch je nameran\u00fdch s\u00fa\u010dasne a nie je mo\u017en\u00e9 s nimi manipulova\u0165 (tak ako by to bolo mo\u017en\u00e9 v experiment\u00e1lnom v\u00fdskume). Z uveden\u00e9ho vypl\u00fdva, \u017ee o kauz\u00e1lnych vz\u0165ahoch v takomto pr\u00edpade iba usudzujeme, ale nevieme ich dok\u00e1za\u0165. Dok\u00e1\u017eeme predpoveda\u0165 napr. do akej miery osobnostn\u00e9 \u010drty predikuj\u00fa rizikov\u00e9 spr\u00e1vanie, ale nedok\u00e1\u017eeme prostredn\u00edctvom regresnej anal\u00fdzy overi\u0165, \u010di je tento vz\u0165ah kauz\u00e1lny. V z\u00e1sade hovor\u00edme o \u010dasovej n\u00e1slednosti, v uvedenom pr\u00edklade s\u00fa osobnostn\u00e9 \u010drty relat\u00edvne stabiln\u00e9 a preto \u010dasovo predch\u00e1dzaj\u00fa rizikov\u00e9mu spr\u00e1vaniu, na z\u00e1klade poznania spojitosti medzi osobnostn\u00fdmi \u010drtami a rizikov\u00fdm spr\u00e1van\u00edm ho dok\u00e1\u017eeme predpoveda\u0165. V \u010fal\u0161om texte budeme vyu\u017e\u00edva\u0165 pojem prediktor (pre nez\u00e1visl\u00fa premenn\u00fa) a pojem z\u00e1visl\u00e1 premenn\u00e1 (nako\u013eko dan\u00fa premenn\u00fa predpoved\u00e1me).<\/p>\n

V\u00fdsledky \u0161tatistick\u00e9ho testovania obsahuj\u00fa v\u00fdpo\u010det:\n

    \n
  1. Regresn\u00fd koeficient<\/strong> (B alebo \u03b2) – smernica regresnej priamky. Rozli\u0161ujeme dva regresn\u00e9 koeficienty – B je ne\u0161tandardizovan\u00fd regresn\u00fd koeficient, je vyjadren\u00fd v jednotk\u00e1ch, v ktor\u00fdch bol nameran\u00fd a \u03b2 je \u0161tandardizovan\u00fd regresn\u00fd koeficient, je \u0161tandardizovan\u00fd tak aby dosahoval hodnotu -1 a\u017e 1.\nJeho hodnotu interpretujeme takto:\n
      \n
    1. kladn\u00e1 hodnota – regresn\u00e1 priamka je st\u00fapaj\u00faca<\/li>\n
    2. z\u00e1porn\u00e1 hodnota – regresn\u00e1 priamka je klesaj\u00faca<\/li>\n
    3. nulov\u00e1 hodnota – regresn\u00e1 priamka je rovnobe\u017en\u00e1 s osou X.<\/li>\n<\/ol>\n<\/li>\n<\/ol>\n
        \n
      1. Regresn\u00e1 kon\u0161tanta<\/strong> (a, alebo B0) – vyjadruje odhadovan\u00fa hodnotu z\u00e1vislej premennej (y) ak sa hodnota prediktoru (x) rovn\u00e1 nule (v\u00fdznam je v\nniektor\u00fdch pr\u00edpadoch psychologick\u00e9ho v\u00fdskumu iba form\u00e1lny).<\/li>\n
      2. \u0160tatistick\u00e1 v\u00fdznamnos\u0165<\/strong> – signifikancia – interpret\u00e1cia je \u0161tandardn\u00e1 ako pri in\u00fdch testoch \u0161tatistickej v\u00fdznamnosti.<\/li>\n<\/ol>\n<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
        \n\t\t\t\t\t\t
        \n\t\t\t\t\t
        \n\t\t\t
        \n\t\t\t\t\t\t
        \n\t\t\t\t
        \n\t\t\t\t\t

        12.1 Jednoduch\u00e1 line\u00e1rna regresn\u00e1 anal\u00fdza<\/h3>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
        \n\t\t\t\t
        \n\t\t\t\t\t\t\t\t\t

        Jednoduch\u00e1 line\u00e1rna regresn\u00e1 anal\u00fdza predstavuje z\u00e1kladn\u00fd model pre r\u00f4zne predikcie. Podobne ako bivaria\u010dn\u00e1 korela\u010dn\u00e1 anal\u00fdza, sk\u00fama vz\u0165ah dvoch premenn\u00fdch. Av\u0161ak jej cie\u013eom je nie len pop\u00edsa\u0165 silu a smer vz\u0165ahu medzi\npremenn\u00fdmi ale taktie\u017e predpoveda\u0165 hodnoty z\u00e1vislej premennej<\/p>\nAk\u00e9 s\u00fa podmienky line\u00e1rnej regresnej anal\u00fdzy<\/strong>?\n

          \n
        1. Vz\u0165ah medzi premenn\u00fdmi mus\u00ed by\u0165 line\u00e1rny – Nako\u013eko line\u00e1rna regresn\u00e1 anal\u00fdza vych\u00e1dza z korela\u010dnej anal\u00fdzy, jej z\u00e1kladnou podmienkou je line\u00e1rny vz\u0165ah medzi dvomi premenn\u00fdmi. Line\u00e1rny vz\u0165ah znamen\u00e1, \u017ee je mo\u017en\u00e9 vyjadri\u0165 ho prostredn\u00edctvom priamky, resp. dan\u00fa podmienku budeme testova\u0165 graficky v\u017edy pred realiz\u00e1ciou regresnej anal\u00fdzy.<\/li>\n
        2. Z\u00e1visl\u00e1 premenn\u00e1 je meran\u00e1 na intervalovej \u00farovni a nez\u00e1visl\u00e1 premenn\u00e1 je taktie\u017e intervalov\u00e1, pr\u00edpadne dichotomick\u00e1.<\/li>\n
        3. Premenn\u00e9 s\u00fa norm\u00e1lne rozlo\u017een\u00e9 (samozrejme, v\u00fdnimku predstavuje dichotomick\u00e1 premenn\u00e1). Dan\u00fa podmienku testujeme pri men\u0161\u00edch v\u00fdskumn\u00fdch vzork\u00e1ch (N < 100) nako\u013eko v\u010faka centr\u00e1lnej limitnej vete vieme, \u017ee nenorm\u00e1lne rozlo\u017eenie vo ve\u013ek\u00fdch v\u00fdskumn\u00fdch vzork\u00e1ch z\u00e1sadne neovplyv\u0148uje v\u00fdsledky.\n<\/li>\n<\/ol>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
          \n\t\t\t\t
          \n\t\t\t\t\t\t\t\t\t

          Pr\u00edklad 11 \u2013 kardin\u00e1lne premenn\u00e9:<\/strong>
          \nH11: Predpoklad\u00e1me, \u017ee optimizmus predikuje \u017eivotn\u00fa spokojnos\u0165 .<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

          \n\t\t\t\t
          \n\t\t\t\t\t\t\t\t\t

          Pred samotnou realiz\u00e1ciou v\u00fdpo\u010dtu over\u00edme podmienky line\u00e1rnej regresnej anal\u00fdzy. Obidve premenn\u00e9 s\u00fa meran\u00e9 na intervalovej \u00farovni (jedn\u00e1 sa o celkov\u00e9 sk\u00f3re dvoch dotazn\u00edkov s ve\u013ek\u00fdm rozptylom), nako\u013eko je v\u00fdskumn\u00e1 vzorka tvoren\u00e1 ve\u013ek\u00fdm po\u010dtom participantov (N = 434), nie je potrebn\u00e9 overova\u0165 pr\u00edtomnos\u0165 norm\u00e1lneho rozlo\u017eenia. Over\u00edme prv\u00fa podmienku realiz\u00e1cie, ktorou je line\u00e1rny vz\u0165ah medzi sk\u00faman\u00fdmi premenn\u00fdmi<\/p>\nTestovanie linearity v SPSS realizujeme cez zadanie:\n

            \n
          • GRAPHS\/ CHART BUILDER, po ktorom bude otvoren\u00e9 dial\u00f3gov\u00e9 okno pre v\u00fdber grafu. V \u010dasti GALLERY je mo\u017en\u00e9 zvoli\u0165 vhodn\u00fd typ grafu, v tomto pr\u00edpade SCATTER PLOT (nako\u013eko pre tento typ grafu bude mo\u017en\u00e9 zobrazi\u0165 regresn\u00fa priamku). V\u013eavo hore n\u00e1jdeme h\u013eadan\u00e9 premenn\u00e9 optimizmus a \u017eivotn\u00fa spokojnos\u0165. Prediktor (v tomto pr\u00edpade optimizmus) presunieme na os X a z\u00e1visl\u00fa premenn\u00fa (\u017eivotn\u00e1 spokojnos\u0165) na os Y. Stla\u010d\u00edme OK.<\/li>\n
          • Na zobrazen\u00fd graf klikneme dvakr\u00e1t, \u010d\u00edm sa otvor\u00ed v samostatnom okne a vyberieme mo\u017enos\u0165 FIT LINE AT TOTAL (druh\u00fd riadok v ponuke mo\u017enost\u00ed), t\u00fdmto \u00fakonom sa vytvor\u00ed regresn\u00e1 priamka. V\u00fdsledkom tohto zadania je Graf 16, na z\u00e1klade ktor\u00e9ho m\u00f4\u017eeme pozorova\u0165, \u017ee tvar vz\u0165ahu medzi \u017eivotnou spokojnos\u0165ou a optimizmom je mo\u017en\u00e9 pova\u017eova\u0165 za pribli\u017ene line\u00e1rny. Na z\u00e1klade tohto v\u00fdsledku m\u00f4\u017eeme pou\u017ei\u0165 line\u00e1rnu regresn\u00fa anal\u00fdzu.<\/li>\n<\/ul>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
            \n\t\t\t\t
            \n\t\t\t\t\t\t\t\t\t

            \"\"<\/p>

            Graf 16 Bodov\u00fd graf zobrazuj\u00faci line\u00e1rny vz\u0165ah medzi premenn\u00fdmi optimizmus a \u017eivotn\u00e1 spokojnos\u0165<\/em><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

            \n\t\t\t\t
            \n\t\t\t\t\t\t\t\t\t

            Testovanie hypot\u00e9zy 11 v SPSS realizujeme cez zadanie:<\/p>

            • ANALYZE\/ REGRESSION\/ LINEAR, otvorilo sa dial\u00f3gov\u00e9 okno, v ktorom m\u00f4\u017eeme zada\u0165 premenn\u00e9. Z\u00e1visl\u00fa premenn\u00fa (\u017eivotn\u00fa spokojnos\u0165) presunieme do vo\u013en\u00e9ho okna v \u010dasti DEPENDENT, prediktor (optimizmus) presunieme do okna INDEPENDENT(S). Na pravej strane ozna\u010d\u00edme STATISTICS a po otvoren\u00ed ponuky vyberieme Confidence intervals. V\u00fdsledkom v\u00fdpo\u010dtu je nieko\u013eko tabuliek.<\/li><\/ul>

              \u00a0<\/p>

              Interpret\u00e1ciu v\u00fdsledku za\u010d\u00edname t\u00fdm, \u017ee zhodnot\u00edme, \u010di je regresn\u00e1 priamka adekv\u00e1tnym modelom pre pr\u00edslu\u0161n\u00e9 d\u00e1ta, z toho d\u00f4vodu sa najsk\u00f4r pozrieme na tabu\u013eku Model Summary<\/strong> a tabu\u013eku ANOVA. Vhodn\u00fdmi ukazovate\u013emi vhodnosti modelu s\u00fa hodnoty R a R2<\/sup> (R Square). Hodnota R predstavuje viacn\u00e1sobn\u00fd korela\u010dn\u00fd koeficient37<\/span>, v pr\u00edpade dvoch premenn\u00fdch predstavuje p\u00e1rov\u00fd korela\u010dn\u00fd koeficient (na tomto mieste nadob\u00fada iba pozit\u00edvne hodnoty – nevyjadruje teda korela\u010dn\u00fd vz\u0165ah). \u010cim vy\u0161\u0161iu hodnotu R dosahuje, t\u00fdm si m\u00f4\u017eeme by\u0165 istej\u0161\u00ed, \u017ee model vyhovuje na\u0161im d\u00e1tam. V tomto pr\u00edpade sme dosiahli hodnotu R = 0,483.<\/p>

              R2<\/sup> informuje o tom, ak\u00e1 presn\u00e1 je predikcia hodn\u00f4t z\u00e1vislej premennej pod\u013ea regresnej rovnice, ktor\u00fa sme pre dan\u00fa hypot\u00e9zu vyu\u017eili. \u010cim \u010falej s\u00fa d\u00e1ta rozlo\u017een\u00e9 od regresnej priamky, t\u00fdm je chyba predikcie v\u00e4\u010d\u0161ia a R2<\/sup> men\u0161ie (a naopak). R2<\/sup> informuje o tom, ak\u00fd tesn\u00fd je line\u00e1rny regresn\u00fd vz\u0165ah medzi dvoma premenn\u00fdmi. V tomto pr\u00edpade sme z\u00edskali hodnotu R 2 = 0,233. T\u00fato hodnotu m\u00f4\u017eeme vyn\u00e1sobi\u0165 100 (rovnako ako v pr\u00edpade korela\u010dn\u00fdch koeficientov). T\u00fdmto postupom z\u00edskame koeficient determin\u00e1cie, znamen\u00e1 to, \u017ee 23,3% rozptylu \u017eivotnej spokojnosti je vysvetlite\u013en\u00fd\/podmienen\u00fd spr\u00e1van\u00edm premennej optimizmus<\/p>

              V\u00fdsledok v tabu\u013eke ANOVA<\/strong> overuje vhodnos\u0165 modelu pre z\u00edskan\u00e9 d\u00e1ta, resp. overuje \u010di vyu\u017eit\u00fd model predpoved\u00e1 z\u00e1visl\u00fa premenn\u00fa lep\u0161ie, ako keby sme namiesto nameran\u00fdch hodn\u00f4t prediktoru vyu\u017eili \u00fadaj o priemere. Z\u00edskali sme v\u00fdsledok: F = 131,832; p = 0,001. Nako\u013eko je v\u00fdsledok signifikantn\u00fd (p < 0,05), usudzujeme, \u017ee vypo\u010d\u00edtan\u00fd regresn\u00fd model je vhodn\u00fd pre predikciu z\u00e1vislej premennej.<\/p>

              Samotn\u00e1 odpove\u010f na hypot\u00e9zu 11 sa nach\u00e1dza v tabu\u013eke s n\u00e1zvom Coefficients<\/strong>. Dan\u00e1 tabu\u013eka zobrazuje B koeficienty, ktor\u00e9 s\u00fa zobrazen\u00e9 taktie\u017e v bodovom grafe (Graf 16: y = 6,1 + 0,74x). Koeficienty zrealizovanej regresnej anal\u00fdzy zobrazuj\u00fa t\u00fa rovnicu regresnej anal\u00fdzy, ktor\u00e1 najlep\u0161ie predikuje \u017eivotn\u00fa spokojnos\u0165 (y). Ne\u0161tandardizovan\u00e9 regresn\u00e9 koeficienty (B) s\u00fa vyjadren\u00e9 v jednotk\u00e1ch, v ktor\u00fdch boli nameran\u00e9 (v tomto pr\u00edpade predstavuj\u00fa sk\u00f3re vo vyu\u017eit\u00fdch dotazn\u00edkoch). Na druhej strane, \u0161tandardizovan\u00fd regresn\u00fd koeficient je \u0161tandardizovan\u00fd t\u00fdm sp\u00f4sobom aby nadob\u00fadal hodnoty od -1 po 1.<\/p>

              Pre interpreta\u010dn\u00e9 \u00fa\u010dely skontrolujeme signifikanciu<\/strong>, ktor\u00e1 m\u00e1 dosahova\u0165 hodnotu p < 0.05. Pre regresn\u00fd koeficient a regresn\u00fa kon\u0161tantu m\u00f4\u017eeme kon\u0161tatova\u0165, \u017ee obidve p dosahuj\u00fa hodnotu men\u0161iu ako 0,05, znamen\u00e1 to, \u017ee s\u00fa \u0161tatisticky signifikantne odli\u0161n\u00e9 od nuly.<\/p>

              Intervaly istoty<\/strong> predstavuj\u00fa pravdepodobn\u00fd rozptyl regresnej kon\u0161tanty a regresn\u00e9ho koeficientu v popul\u00e1cii, \u010d\u00edm je n\u00e1\u0161 odhad presnej\u0161\u00ed, t\u00fdm sa horn\u00fd a doln\u00fd interval istoty nach\u00e1dza k sebe bli\u017e\u0161ie, doln\u00fd interval istoty regresn\u00e9ho koeficientu optimizmu je 0,611 a horn\u00fd interval je 0,863 (hodnoty s\u00fa si vcelku bl\u00edzke a nebl\u00ed\u017eia sa nule), z toho d\u00f4vodu m\u00f4\u017eeme n\u00e1\u0161 z\u00e1ver pova\u017eova\u0165 za spo\u013eahliv\u00fd a v\u00fdznamn\u00fd i v popul\u00e1cii.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

              \n\t\t\t\t
              \n\t\t\t\t\t\t\t\t\t

              Interpret\u00e1cia v\u00fdsledkov H11<\/strong>:<\/em><\/p>

              Hypot\u00e9za 11 bola testovan\u00e1 pou\u017eit\u00edm jednoduchej line\u00e1rnej regresnej anal\u00fdzy, ktorej v\u00fdsledok uv\u00e1dzame v Tabu\u013eke 19. Testovali sme, \u010di
              optimizmus v\u00fdznamne predikuje \u017eivotn\u00fa spokojnos\u0165. Z\u00edskan\u00fd regresn\u00fd model je: \u017divotn\u00e1 spokojnos\u0165 = 6,096 + 0,737xOptimizmus. Regresn\u00e1 anal\u00fdza bola \u0161tatisticky v\u00fdznamn\u00e1 (R 2 = 0,233, F(1;433) = 131,832; p = 0,001). Zistili sme, \u017ee optimizmus v\u00fdznamne predikuje \u017eivotn\u00fa spokojnos\u0165 (Beta = 0,483; p = 0,001), z toho d\u00f4vodu hypot\u00e9zu prij\u00edmame.<\/em><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

              \n\t\t\t\t\t\t
              \n\t\t\t\t\t
              \n\t\t\t
              \n\t\t\t\t\t\t
              \n\t\t\t\t
              \n\t\t\t\t\t\t\t\t\t

              Tabu\u013eka 19 V\u00fdsledky testovania H11: Jednoduch\u00e1 line\u00e1rna regresn\u00e1 anal\u00fdza (predikcia \u017eivotnej spokojnosti)<\/em><\/p>

              \u00a0<\/td>B<\/em><\/td>95% CI<\/em><\/td>\u03b2<\/em><\/td>t<\/em><\/td>p<\/em><\/td><\/tr>
              Kon\u0161tanta<\/strong><\/td>6,096<\/td>[3,249; 8,942]<\/td>\u00a0<\/td>4,209<\/td>,001<\/td><\/tr>
              Optimizmus<\/strong><\/td>0,737<\/td>[0,611; 0,863]<\/td>,483<\/td>11,482<\/td>,001<\/td><\/tr><\/tbody><\/table><\/div>

              Pozn.: R 2 adj = 0,232; CI = intervaly istoty pre B<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

              \n\t\t\t\t
              \n\t\t\t\t\t

              12.2 Viacn\u00e1sobn\u00e1 line\u00e1rna regresn\u00e1 anal\u00fdza<\/h3>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
              \n\t\t\t\t
              \n\t\t\t\t\t\t\t\t\t

              Jednoduch\u00e1 line\u00e1rna regresn\u00e1 anal\u00fdza podlieha podobn\u00e9mu probl\u00e9mu ako p\u00e1rov\u00e1 korela\u010dn\u00e1 anal\u00fdza, ktor\u00fdm je pr\u00edli\u0161n\u00e9 zjednodu\u0161enie skuto\u010dnosti. Psychologick\u00e1 realita \u010dloveka je tvoren\u00e1 previazanos\u0165ou mnoh\u00fdch okolnost\u00ed, nie iba dvoch oblast\u00ed. T\u00fato skuto\u010dnos\u0165 reflektuje viacn\u00e1sobn\u00e1 line\u00e1rna regresn\u00e1 anal\u00fdza, ktor\u00e1 analyzuje vz\u0165ahy medzi viacer\u00fdmi prediktormi a jednou z\u00e1vislou premennou.<\/p>\n

              V\u00fdhodou viacn\u00e1sobnej regresnej anal\u00fdzy oproti jednoduchej line\u00e1rnej regresnej anal\u00fdze je taktie\u017e v odhade sily vz\u0165ahu medzi jednotliv\u00fdm prediktorom a z\u00e1vislou premennou pri s\u00fa\u010dasnej kontrole p\u00f4sobenia ostatn\u00fdch prediktorov. V\u010faka odhadu relat\u00edvnej sily vz\u0165ahu medzi jednotliv\u00fdmi prediktormi a z\u00e1vislou premennoudok\u00e1\u017eeme ur\u010di\u0165, ktor\u00e9 premenn\u00e9 maj\u00fa na z\u00e1visl\u00fa premenn\u00fa najv\u00e4\u010d\u0161\u00ed efekt, resp. ktor\u00e9 premenn\u00e9 vysvet\u013euj\u00fa najv\u00e4\u010d\u0161\u00ed rozptyl z\u00e1vislej premennej.<\/p>\n

              Viacn\u00e1sobn\u00e1 line\u00e1rna regresn\u00e1 anal\u00fdza podlieha nieko\u013ek\u00fdm podmienkam vyu\u017eitia<\/strong>, prv\u00e9 tri s\u00fa toto\u017en\u00e9 s podmienkami pre jednoduch\u00fa regresn\u00fa anal\u00fdzu (linearita vz\u0165ahu medzi prediktormi a z\u00e1vislou premennou, z\u00e1visl\u00e1 premenn\u00e1 meran\u00e1 na intervalovej \u00farovni a norm\u00e1lne rozlo\u017eenie pri men\u0161\u00edch v\u00fdskumn\u00fdch vzork\u00e1ch), av\u0161ak viacn\u00e1sobn\u00e1 regresia zah\u0155\u0148a navy\u0161e:<\/p>\n\n

                \n \t
              1. Prediktory spolu nesm\u00fa korelova\u0165 pr\u00edli\u0161 silne, pokia\u013e by sa tak stalo v\u00fdsledky regresnej anal\u00fdzy by boli nespo\u013eahliv\u00e9, multikolinearita (siln\u00e1 korel\u00e1cia\nmedzi prediktormi) sp\u00f4sobuje, \u017ee vhodn\u00fd prediktor sa pravdepodobne preuk\u00e1\u017ee ako nev\u00fdznamn\u00fd.<\/li>\n \t
              2. Od\u013eahl\u00e9 hodnoty m\u00f4\u017eu naru\u0161i\u0165 odhad parametrov regresnej rovnice, z toho\nd\u00f4vodu sa v d\u00e1tach nem\u00f4\u017eu nach\u00e1dza\u0165.<\/li>\n \t
              3. Chyby merania musia by\u0165 nez\u00e1visl\u00e9 (tento predpoklad je mo\u017en\u00e9 overi\u0165\nDurbin – Watsonov\u00fdm testom) a norm\u00e1lne rozlo\u017een\u00e9 (predpoklad je mo\u017en\u00e9 otestova\u0165 graficky ako s\u00fa\u010das\u0165 line\u00e1rnej regresnej anal\u00fdzy).<\/li>\n \t
              4. Vz\u0165ahy medzi premenn\u00fdmi vykazuj\u00fa homoskedasticitu, \u010do znamen\u00e1\nhomogenitu rozptylov. Rozptyl v d\u00e1tach jednej premennej dosahuje podobn\u00e9\nhodnoty v druhej premennej (tento predpoklad taktie\u017e testujeme graficky ako\ns\u00fa\u010das\u0165 line\u00e1rnej regresnej anal\u00fdzy).<\/li>\n<\/ol>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
                \n\t\t\t\t
                \n\t\t\t\t\t\t\t\t\t

                Pr\u00edklad 12 \u2013 kardin\u00e1lne premenn\u00e9:<\/strong>
                \nH12: Predpoklad\u00e1me, \u017ee optimizmus, seba \u00facta a miera vn\u00edman\u00e9ho stresu\npredikuj\u00fa \u017eivotn\u00fa spokojnos\u0165 .<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

                \n\t\t\t\t
                \n\t\t\t\t\t\t\t\t\t

                Pred realiz\u00e1ciou v\u00fdpo\u010dtu viacn\u00e1sobnej regresnej anal\u00fdzy over\u00edme jej podmienky. Nako\u013eko v\u0161etky premenn\u00e9 s\u00fa meran\u00e9 na intervalovej \u00farovni (jedn\u00e1 sa o hrub\u00e9 sk\u00f3re \u0161tyroch dotazn\u00edkov) a v\u00fdskumn\u00e1 vzorka je tvoren\u00e1 ve\u013ek\u00fdm po\u010dtom participantov (N = 434), nie je potrebn\u00e9 overova\u0165 pr\u00edtomnos\u0165 norm\u00e1lneho rozlo\u017eenia.
                \nPrvou podmienkou, ktor\u00fa potrebujeme skontrolova\u0165, je linearita vz\u0165ahov medzi\nprediktormi a z\u00e1vislou premennou. K tomuto \u00fa\u010delu vytvor\u00edme bodov\u00fd maticov\u00fd graf.<\/p>\nTestovanie linearity v SPSS realizujeme cez zadanie:\n

                  \n \t
                • GRAPHS\/ CHART BUILDER, po ktorom bude otvoren\u00e9 dial\u00f3gov\u00e9 okno pre v\u00fdber grafu. V \u010dasti GALLERY je mo\u017en\u00e9 zvoli\u0165 vhodn\u00fd typ grafu, v tomto pr\u00edpade SCATTERPLOT MATRIX. V\u013eavo hore n\u00e1jdeme h\u013eadan\u00e9 premenn\u00e9: optimizmus, seba\u00facta, miera vn\u00edman\u00e9ho stresu a \u017eivotn\u00e1 spokojnos\u0165. V\u0161etky h\u013eadan\u00e9 premenn\u00e9 ozna\u010d\u00edme tla\u010didlom CTRL, \u010d\u00edm sa\numo\u017en\u00ed spolo\u010dn\u00fd presun na os X. Stla\u010d\u00edme OK.<\/li>\n \t
                • Na zobrazen\u00fd graf klikneme dvakr\u00e1t, \u010d\u00edm sa stane akt\u00edvnym a je mo\u017en\u00e9 robi\u0165\n\u00fapravy. Vyberieme mo\u017enos\u0165 FIT LINE AT TOTAL (druh\u00fd riadok v ponuke mo\u017enost\u00ed), v\u010faka \u010domu sa vytvoria regresn\u00e9 priamky pre v\u0161etky p\u00e1ry premenn\u00fdch. V\u00fdsledkom zadania je Graf 17, na z\u00e1klade ktor\u00e9ho m\u00f4\u017eeme pozorova\u0165 tvar vz\u0165ahu medzi prediktormi a \u017eivotnou spokojnos\u0165ou. Nako\u013eko dan\u00e9 vz\u0165ahy pribli\u017ene kop\u00edruj\u00fa regresn\u00e9 priamky, je mo\u017en\u00e9 podmienku linearity pova\u017eova\u0165 za splnen\u00fa a m\u00f4\u017eeme pou\u017ei\u0165 viacn\u00e1sobn\u00fa line\u00e1rnu\nregresn\u00fa anal\u00fdzu<\/li>\n<\/ul>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
                  \n\t\t\t\t
                  \n\t\t\t\t\t\t\t\t\t

                  \"\"<\/p>

                  Graf 17 Bodov\u00fd maticov\u00fd graf zobrazuj\u00faci line\u00e1rny vz\u0165ah medzi prediktormi (optimizmus, miera pre\u017e\u00edvan\u00e9ho stresu, sebahodnota) a z\u00e1vislou premennou \u017eivotn\u00e1 spokojnos\u0165<\/em><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

                  \n\t\t\t\t
                  \n\t\t\t\t\t\t\t\t\t

                  Testovanie hypot\u00e9zy 12 v SPSS realizujeme cez zadanie:<\/p>\n\n

                    \n \t
                  • ANALYZE\/ REGRESSION\/ LINEAR, otvorilo sa dial\u00f3gov\u00e9 okno, v ktorom\nm\u00f4\u017eeme zada\u0165 premenn\u00e9. Z\u00e1visl\u00fa premenn\u00fa (\u017eivotn\u00fa spokojnos\u0165) presunieme do vo\u013en\u00e9ho okna v \u010dasti DEPENDENT, prediktory (optimizmus, miera vn\u00edman\u00e9ho stresu, seba\u00facta) presunieme do okna INDEPENDENT(S).<\/li>\n \t
                  • Na pravej strane ozna\u010d\u00edme STATISTICS a po otvoren\u00ed ponuky vyberieme: Confidence intervals, Durbin-Watson, Casewise diagnostics, Descriptives, Collinearity diagnostics.<\/li>\n \t
                  • Otvor\u00edme ponuku PLOTS s cie\u013eom vytvori\u0165 grafick\u00e9 zobrazenie rozlo\u017eenia\nch\u00fdb merania (nako\u013eko jednou z podmienok line\u00e1rnej regresnej anal\u00fdzy je norm\u00e1lne rozlo\u017eenie ch\u00fdb merania): na os X umiestnime \u0161tandardizovan\u00e9 predikovan\u00e9 hodnoty (ZPRED) a na os Y umiestnime \u0161tandardizovan\u00e9 rez\u00eddu\u00e1 (ZRESID). Ozna\u010d\u00edme Histogram alebo Normal probability plot. V\u00fdsledkom v\u00fdpo\u010dtu je nieko\u013eko tabuliek a grafov.<\/li>\n<\/ul>\n

                    Prv\u00e9 dve tabu\u013eky, ktor\u00e9 uvid\u00edte pri tomto zadan\u00ed s\u00fa: (1) Descriptive Statistics<\/strong>, resp. deskript\u00edvna tabu\u013eka, v ktorej s\u00fa uveden\u00e9 priemern\u00e9 hodnoty v\u0161etk\u00fdch premenn\u00fdch, ich \u0161tandardn\u00e9 odch\u00fdlky a ve\u013ekos\u0165 v\u00fdskumnej vzorky. (2) Correlations<\/strong>, \u010di\u017ee korela\u010dn\u00e1 matica pre v\u0161etky analyzovan\u00e9 premenn\u00e9. Tabu\u013eku skontrolujeme, medzi nez\u00e1visl\u00fdmi premenn\u00fdmi by nemala nasta\u0165 siln\u00e1 korel\u00e1cia, konkr\u00e9tne silnej\u0161ia ako 0,8 (v kladnom alebo z\u00e1pornom smere) – jedn\u00e1 sa o prvotn\u00fa kontrolu multikolinearity, ktor\u00e1 predstavuje jednu z podmienok pre realiz\u00e1ciu regresnej anal\u00fdzy. V analyzovanom pr\u00edpade je najsilnej\u0161ia korel\u00e1cia 0,575 (medzi premenn\u00fdmi sebahodnota a optimizmus), na z\u00e1klade \u010doho m\u00f4\u017eeme us\u00fadi\u0165, \u017ee medzi prediktormi nenastala kolinearita.<\/p>\n

                    Rovnako ako v pr\u00edpade jednoduchej line\u00e1rnej regresnej anal\u00fdzy hodnot\u00edme, \u010di je aktu\u00e1lne testovan\u00fd model adekv\u00e1tnym modelom pre pr\u00edslu\u0161n\u00e9 d\u00e1ta, z toho d\u00f4vodu kontrolujeme tabu\u013eku Model Summary<\/strong> a tabu\u013eku ANOVA. Ukazovate\u013emi vhodnosti modelu s\u00fa hodnoty R a R 2 (R Square). Hodnota R predstavuje viacn\u00e1sobn\u00fd korela\u010dn\u00fd koeficient, tomto pr\u00edpade sme dosiahli hodnotu R = 0,590.<\/p>\n

                    R2 informuje o tom, ak\u00e1 presn\u00e1 je predikcia hodn\u00f4t z\u00e1vislej premennej pod\u013ea regresnej rovnice, ktor\u00fa sme pre dan\u00fa hypot\u00e9zu vyu\u017eili. V tomto pr\u00edpade sme z\u00edskali hodnotu R 2 = 0,348. Po jej vyn\u00e1soben\u00ed 100 z\u00edskame koeficient determin\u00e1cie: 34,8% rozptylu \u017eivotnej spokojnosti je vysvetlite\u013en\u00fd\/podmienen\u00fd spr\u00e1van\u00edm prediktorov. Durbin Watson koeficient<\/strong> zis\u0165uje, \u010di je predpoklad nez\u00e1vislosti ch\u00fdb merania obh\u00e1jite\u013en\u00fd. M\u00f4\u017ee dosahova\u0165 hodnoty od 0 po 4. Interpret\u00e1cia Durbin Watson koeficientu:<\/p>\n\n

                      \n \t
                    1. DW < 1 – medzi chybami merania sa nach\u00e1dza pozit\u00edvna korel\u00e1cia,<\/li>\n \t
                    2. DW = < 1; 3 > – chyby merania s\u00fa relat\u00edvne nez\u00e1visl\u00e9,<\/li>\n \t
                    3. DW = 2 – chyby merania spolu nekoreluj\u00fa,<\/li>\n \t
                    4. DW > 3 – medzi chybami merania sa nach\u00e1dza negat\u00edvna korel\u00e1cia.<\/li>\n<\/ol>\n

                      Durbin Watson koeficient v tomto pr\u00edpade dosiahol hodnotu 1,864, znamen\u00e1 to, \u017ee sa dan\u00e1 hodnota nach\u00e1dza v intervale od 1 po 3 (hodnota je bl\u00edzka 2, ktor\u00e1 predstavuje ide\u00e1lny stav), \u010di\u017ee predpoklad nez\u00e1vislosti ch\u00fdb je obh\u00e1jen\u00fd.<\/p>\n

                      V\u00fdsledok v tabu\u013eke ANOVA<\/strong> overuje vhodnos\u0165 modelu pre z\u00edskan\u00e9 d\u00e1ta, resp. overuje \u010di vyu\u017eit\u00fd model predpoved\u00e1 z\u00e1visl\u00fa premenn\u00fa lep\u0161ie, ako keby sme namiesto nameran\u00fdch hodn\u00f4t prediktoru vyu\u017eili \u00fadaj o priemere. V\u00fdsledok anal\u00fdzy: F = 75,955; p = 0,001. Ka\u017ed\u00fd signifikantn\u00fd v\u00fdsledok (p < 0,05) napoved\u00e1, \u017ee regresn\u00fd model je vhodn\u00fd pre predikciu z\u00e1vislej premennej \u017eivotn\u00e1 spokojnos\u0165.<\/p>\n

                      Odpove\u010f na hypot\u00e9zu 12 sa nach\u00e1dza v tabu\u013eke s n\u00e1zvom Coefficients<\/strong> (zobrazen\u00e9 s\u00fa regresn\u00e1 kon\u0161tanta, regresn\u00e9 koeficienty a k nim prisl\u00fachaj\u00face \u00fadaje). Koeficienty zrealizovanej regresnej anal\u00fdzy zobrazuj\u00fa t\u00fa rovnicu regresnej anal\u00fdzy, ktor\u00e1 najlep\u0161ie predikuje \u017eivotn\u00fa spokojnos\u0165 (y). Ne\u0161tandardizovan\u00e9 regresn\u00e9 koeficienty<\/strong> (B) s\u00fa vyjadren\u00e9 v jednotk\u00e1ch, v ktor\u00fdch boli nameran\u00e9 (v tomto pr\u00edpade predstavuj\u00fa sk\u00f3re vo vyu\u017eit\u00fdch dotazn\u00edkoch). Ich prostredn\u00edctvom m\u00f4\u017eeme regresn\u00fa rovnicu vyjadri\u0165 takto: \u017divotn\u00e1 spokojnos\u0165 = 13,541 + 0,383xOptimizmus – 0,302xMiera vn\u00edman\u00e9ho stresu + 0,251xSeba\u00facta.<\/p>\n

                      Na druhej strane, \u0161tandardizovan\u00e9 regresn\u00e9 koeficienty<\/strong> s\u00fa vyjadren\u00e9 t\u00fdm sp\u00f4sobom, aby dosahovali hodnoty od -1 po 1, \u010d\u00edm sa umo\u017en\u00ed zhodnoti\u0165 relat\u00edvny v\u00fdznam ka\u017ed\u00e9ho prediktoru pre z\u00e1visl\u00fa premenn\u00fa. Z tohto poh\u013eadu m\u00e1 najv\u00e4\u010d\u0161\u00ed v\u00fdznam pre mieru \u017eivotnej spokojnosti miera vn\u00edman\u00e9ho stresu ( \u03b2 = -0,261), \u010falej optimizmus (\u03b2 = 0,251) a napokon seba\u00facta (\u03b2 = 0,198). Ako je mo\u017en\u00e9 sledova\u0165, rovnako ako v pr\u00edpade korela\u010dnej anal\u00fdzy i regresn\u00e9 koeficienty m\u00f4\u017eu dosahova\u0165 kladn\u00e9 i z\u00e1porn\u00e9 hodnoty. Miera vn\u00edman\u00e9ho stresu m\u00e1 nepriamo \u00famern\u00fd vz\u0165ah so\n\u017eivotnou spokojnos\u0165ou (nako\u013eko regresn\u00fd koeficient nadob\u00fada z\u00e1porn\u00fa hodnotu) a\nostatn\u00e9 prediktory maj\u00fa kladn\u00fd vz\u0165ah so \u017eivotnou spokojnos\u0165ou. Pre interpreta\u010dn\u00e9\n\u00fa\u010dely rovnako skontrolujeme signifikanciu, ktor\u00e1 m\u00e1 dosahova\u0165 hodnotu p < 0.05.\nPre regresn\u00fa kon\u0161tantu a regresn\u00e9 koeficienty m\u00f4\u017eeme kon\u0161tatova\u0165, \u017ee v\u0161etky\ndosahuj\u00fa hodnotu men\u0161iu ako 0,05.<\/p>\n

                      S mo\u017enos\u0165ou zov\u0161eobecnenia na\u0161ich zisten\u00ed m\u00f4\u017eeme zoh\u013eadni\u0165 taktie\u017e intervaly istoty<\/strong>, ktor\u00e9 predstavuj\u00fa pravdepodobn\u00fd rozptyl regresnej kon\u0161tanty a regresn\u00e9ho koeficientu v popul\u00e1cii. Na tomto mieste sa m\u00f4\u017eeme pozrie\u0165 napr. na intervaly istoty regresn\u00e9ho koeficientu miery vn\u00edman\u00e9ho stresu, kde doln\u00fd interval dosahuje hodnotu je -0,413 a horn\u00fd interval je -0,191, hodnoty nadob\u00fadaj\u00fa podobn\u00fd charakter, cel\u00fd pravdepodobnostn\u00fd rozptyl koeficientu je z\u00e1porn\u00fd, znamen\u00e1 to, \u017ee v popul\u00e1cii sa pravdepodobne sledovan\u00fd regresn\u00fd koeficient nebude rovna\u0165 nule, \u010d\u00edm n\u00e1\u0161 z\u00e1ver m\u00f4\u017eeme pova\u017eova\u0165 za spo\u013eahliv\u00fd. Rovnak\u00fdm sp\u00f4sobom skontrolujeme v\u0161etky intervaly istoty.<\/p>\n

                      Po zadan\u00ed pr\u00edkazu Collinearity diagnostics po\u010das v\u00fdpo\u010dtu regresnej anal\u00fdzy sa s\u00fa\u010das\u0165ou tabu\u013eky Coefficients stala \u0160tatistika kolinearity<\/strong> (uveden\u00e1 na pravej strane). Skratka VIF znamen\u00e1 Variance Inflation Factor = faktor infl\u00e1cie variancie a predstavuje diagnostick\u00e9 \u00fadaje o kolinearite. Minim\u00e1lna hodnota VIF je 1 a predstavuje situ\u00e1ciu, kedy prediktory spolu v\u00f4bec nekoreluj\u00fa. \u010c\u00edm vy\u0161\u0161iu hodnotu nadobudne, t\u00fdm existuje silnej\u0161ia korel\u00e1cia medzi prediktormi, resp. t\u00fdm je v\u00e4\u010d\u0161ia \u0161anca multikolinearity. Ako zhodnot\u00edme VIF? Z\u00e1kladn\u00e9 princ\u00edpy:<\/p>\n\n

                        \n \t
                      1. VIF m\u00e1 hodnotu 1 – prediktory spolu nekoreluj\u00fa,<\/li>\n \t
                      2. VIF m\u00e1 hodnotu medzi 1 a 5 – prediktory spolu koreluj\u00fa stredne silne,<\/li>\n \t
                      3. VIF m\u00e1 hodnotu v\u00e4\u010d\u0161iu ako 5 – prediktory spolu koreluj\u00fa silne.<\/li>\n<\/ol>\n

                        Znamen\u00e1 to, \u017ee ka\u017ed\u00e1 hodnota v\u00e4\u010d\u0161ia ako 5 predstavuje situ\u00e1ciu, ktor\u00fa je potrebn\u00e9 d\u00f4kladne skontrolova\u0165, av\u0161ak hodnota VIF v\u00e4\u010d\u0161ia ako 10 pre ktor\u00fdko\u013evek prediktor znamen\u00e1 istotu pr\u00edtomnej multikolinearity. Vyu\u017ei\u0165 multikoline\u00e1rny prediktor m\u00e1 za d\u00f4sledok nespo\u013eahliv\u00fa regresn\u00fa anal\u00fdzu, pr\u00edpadne sa dobr\u00fd prediktor preuk\u00e1\u017ee ako nev\u00fdznamn\u00fd. Najv\u00e4\u010d\u0161iu hodnotu VIF dosahuje premenn\u00e1 sebahodnota (VIF = 1,816), m\u00f4\u017eeme kon\u0161tatova\u0165 nepr\u00edtomnos\u0165 multikolinearity.<\/p>\n

                        V z\u00e1vere anal\u00fdzy skontrolujeme zobrazen\u00e9 graficky testovan\u00e9 vlastnosti: Norm\u00e1lne rozlo\u017eenie ch\u00fdb merania<\/strong> testujeme prostredn\u00edctvom histogramu rezidu\u00ed (Graf 18). M\u00f4\u017eeme kon\u0161tatova\u0165, \u017ee histogram rezidu\u00ed sa bl\u00ed\u017ei norm\u00e1lnemu rozlo\u017eeniu (s v\u00e4\u010d\u0161\u00edm rez\u00edduom na pravej strane, v tomto pr\u00edpade sa jednalo o pr\u00edpad so zistenou hodnotou \u0161tandardn\u00e9ho rez\u00eddua -3,354, toto naru\u0161enie\npodmienky je potrebn\u00e9 skontrolova\u0165 38.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

                        \n\t\t\t\t
                        \n\t\t\t\t\t\t\t\t\t

                        \"\"<\/p>

                        Graf 18 Histogram rezidu\u00ed testuj\u00faci norm\u00e1lne rozlo\u017eenie rezidu\u00ed<\/em><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

                        \n\t\t\t\t
                        \n\t\t\t\t\t\t\t\t\t

                        N\u00e1sledne skontrolujeme predpoklad homoskedasticity prostredn\u00edctvom bodov\u00e9ho grafu<\/strong> zobrazuj\u00faceho vz\u0165ah \u0161tandardizovan\u00fdch rez\u00eddu\u00ed a \u0161tandardizovanej predikovanej hodnoty z\u00e1vislej premennej. Dan\u00fd graf testuje \u010di je roz ptyl ch\u00fdb merania kon\u0161tantn\u00fd v regresnom modeli. Ak je rozptyl homoskedastick\u00fd, model bol dobre definovan\u00fd (tip: ak by preuk\u00e1zal opak zvy\u010dajne pom\u00f4\u017ee pridanie \u010fal\u0161ieho prediktoru).
                        Homoskedasticita sa vizu\u00e1lne prejav\u00ed tak, \u017ee body grafu by nemali vykazova\u0165 \u017eiadny vzorec usporiadania (napr. zhlukovanie sa do skup\u00edn, alebo tvar pripom\u00ednaj\u00faci L, U…). V analyzovanom pr\u00edpade m\u00f4\u017eeme potvrdi\u0165 zachovanie podmienky homoskedasticity (Graf 19).<\/p>

                        \"\"<\/p>

                        Graf 19 Bodov\u00fd graf vz\u0165ahu \u0161tandardizovan\u00fdch rez\u00eddu\u00ed a \u0161tandardizovanej predikovanej hodnoty z\u00e1vislej premennej<\/em><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

                        \n\t\t\t\t
                        \n\t\t\t\t\t\t\t\t\tInterpret\u00e1cia v\u00fdsledkov H12<\/strong>:<\/em>\n

                        Hypot\u00e9za 12 bola testovan\u00e1 pou\u017eit\u00edm viacn\u00e1sobnej line\u00e1rnej regresnej anal\u00fdzy, ktorej v\u00fdsledok uv\u00e1dzame v Tabu\u013eke 20. Testovali sme predik\u010dn\u00fd potenci\u00e1l optimizmu, miery vn\u00edman\u00e9ho stresu a seba\u00facty vo\u010di \u017eivotnej\nspokojnosti. Z\u00edskan\u00fd regresn\u00fd model m\u00f4\u017eeme vyjadri\u0165 prostredn\u00edctvom nasledovnej sch\u00e9my:<\/em><\/p>\n

                        \u017divotn\u00e1 spokojnos\u0165 = 13,541 + 0,383xOptimizmus – 0,302xMiera vn\u00edman\u00e9ho stresu + 0,251xSeba \u00facta.<\/em><\/p>\n

                        Kontrola predpokladov<\/strong>: Pred presk\u00faman\u00edm predik\u010dnej sily n\u00e1\u0161ho modelu sme vykonali d\u00f4kladn\u00e9 pos\u00fadenie jeho z\u00e1kladn\u00fdch predpokladov, aby sme potvrdili integritu na\u0161ej anal\u00fdzy. Prostredn\u00edctvom bodov\u00fdch grafov sme overili linearitu prediktorov so z\u00e1vislou premennou, pri\u010dom sme neodhalili \u017eiadne odch\u00fdlky od line\u00e1rnych o\u010dak\u00e1van\u00ed. Okrem toho Durbin- Watson koeficient dosiahol hodnotu 1,864, \u010d\u00edm sa \u00fa\u010dinne vyl\u00fa\u010dila autokorel\u00e1cia medzi rez\u00edduami a potvrdila sa nez\u00e1vislos\u0165 ch\u00fdb. Faktor infl\u00e1cie variancie (VIF) bol pre ka\u017ed\u00fd prediktor hlboko pod prahom 5, najvy\u0161\u0161ia hodnota bola 1,816 pre premenn\u00fa seba\u00facta, \u010do rozpt\u00fdlilo obavy z multikolinearity.Vizu\u00e1lnou kontrolou histogramu rez\u00eddu\u00ed bolo potvrden\u00e9 krit\u00e9rium normality rez\u00eddu\u00ed a s\u00fa\u010dasne kontrolou bodov\u00e9ho grafu \u0161tandardizovan\u00fdch predikovan\u00fdch hodn\u00f4t a rez\u00eddu\u00ed bola potvrden\u00e1 homoskedasticita. S\u00fahrnne tieto diagnostick\u00e9 testy potvrdili k\u013e\u00fa\u010dov\u00e9 predpoklady, na ktor\u00fdch je zalo\u017een\u00fd n\u00e1\u0161 viacn\u00e1sobn\u00fd line\u00e1rny regresn\u00fd model, a poskytli tak sol\u00eddny z\u00e1klad pre n\u00e1sledn\u00fa anal\u00fdzu.<\/em><\/p>\n

                        Zhrnutie modelu<\/strong>: Celkov\u00e1 zhoda modelu bola \u0161tatisticky v\u00fdznamn\u00e1, \u010do nazna\u010duje F -\u0161tatistika 75,955 s hodnotou p men\u0161ou ako 0,001 (F(3,426) = 75,955, p < 0,001), znamen\u00e1 to, \u017ee model vysvet\u013euje v\u00fdznamn\u00fa \u010das\u0165 rozptylu z\u00e1vislej premennej \u017eivotn\u00e1 spokojnos\u0165. N\u00e1sledne, hodnota R\u00b2 0,348 ilustruje, \u017ee n\u00e1\u0161 model predstavuje pribli\u017ene 35% variability \u017eivotnej spokojnosti, \u010do potvrdzuje v\u00fdznam zahrnut\u00fdch prediktorov. Zistili sme, \u017ee optimizmus ( \u03b2 = 0,251; p =0,001), miera vn\u00edman\u00e9ho stresu ( \u03b2 = -0,261; p = 0,001) a seb ahodnota ( \u03b2 = 0,198; p = 0,001) v\u00fdznamne predikuj\u00fa \u017eivotn\u00fa spokojnos\u0165, z toho d\u00f4vodu hypot\u00e9zu prij\u00edmame.<\/em><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

                        \n\t\t\t\t
                        \n\t\t\t\t\t\t\t\t\t

                        Tabu\u013eka 20 V\u00fdsledky testovania H12: Viacn\u00e1sobn\u00e1 line\u00e1rna regresn\u00e1 anal\u00fdza (predikcia \u017eivotnej spokojnosti)<\/em> <\/p>\n

                        \n\n\n\n\n\n\n\n
                        <\/td>\nB<\/em><\/td>\n95% CI<\/em><\/td>\nBeta<\/em><\/td>\nt<\/em><\/td>\np<\/em><\/td>\n<\/tr>\n
                        Kon\u0161tanta<\/strong><\/td>\n13,541<\/td>\n[7,056; 20,025]<\/td>\n<\/td>\n4,104<\/td>\n,001<\/td>\n<\/tr>\n
                        Optimizmus<\/strong><\/td>\n0,383<\/td>\n[0,236; 0,529]<\/td>\n,251<\/td>\n5,137<\/td>\n,001<\/td>\n<\/tr>\n
                        Miera vn\u00edman\u00e9ho stresu<\/strong><\/td>\n-0,302<\/td>\n[-0,413; -0,191] <\/td>\n-,261<\/td>\n-5,344<\/td>\n,001<\/td>\n<\/tr>\n
                        Seba\u00facta<\/strong><\/td>\n0,251<\/td>\n[0,120; 0,382]<\/td>\n,198<\/td>\n3,757<\/td>\n,001<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\nPozn.: Met\u00f3da \u0161tandardn\u00e1, R 2 adj = 0,344; CI = intervaly istoty pre B\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
                        \n\t\t\t\t
                        \n\t\t\t\t\t\t\t\t\t

                        Za ur\u010dit\u00fdch okolnost\u00ed n\u00e1s vo viacn\u00e1sobnej line\u00e1rnej regresnej anal\u00fdze m\u00f4\u017ee zauj\u00edma\u0165 i predik\u010dn\u00fd potenci\u00e1l nomin\u00e1lnej premennej. Podmienkou pre realiz\u00e1ciu tak\u00e9hoto rie\u0161enia je, aby nomin\u00e1lna premenn\u00e1 bola dichotomick\u00e1 (resp. dosahovala dve mo\u017en\u00e9 hodnoty). Nasleduj\u00faci pr\u00edklad sa t\u00fdka spom\u00ednan\u00e9ho rie\u0161enia:<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

                        \n\t\t\t\t
                        \n\t\t\t\t\t\t\t\t\t

                        Pr\u00edklad 13 – kardin\u00e1lne prediktory a nomin\u00e1lny prediktor:<\/strong>
                        \nH13: Predpoklad\u00e1me, \u017ee miera vn\u00edman\u00e9ho stresu, pozit\u00edvna afektivita a\npohlavie predikuj\u00fa \u017eivotn\u00fa spokojnos\u0165.<\/p>\n

                        Hypot\u00e9zu je mo\u017en\u00e9 rozdeli\u0165 na nieko\u013eko \u010dast\u00ed resp. podhypot\u00e9z, napr. t\u00fdmto sp\u00f4sobom:<\/em>
                        \nH13a: Predpoklad\u00e1me, \u017ee miera vn\u00edman\u00e9ho stresu predikuje \u017eivotn\u00fa spokojnos\u0165 negat\u00edvne (jednosmern\u00e1 hypot\u00e9za).
                        \nH13b: Predpoklad\u00e1me, \u017ee pozit\u00edvna afektivita a pohlavie predikuj\u00fa \u017eivotn\u00fa spokojnos\u0165 pozit\u00edvne (jednosmern\u00e1 hypot\u00e9za).<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

                        \n\t\t\t\t
                        \n\t\t\t\t\t\t\t\t\t

                        Rovnako ako v predch\u00e1dzaj\u00facom pr\u00edklade, potrebujeme pred realiz\u00e1ciou v\u00fdpo\u010dtu overi\u0165 jej podmienky. Jedn\u00e1 sa o rovnak\u00fa v\u00fdskumn\u00fa datab\u00e1zu, vieme teda, \u017ee vo ve\u013ekej v\u00fdskumnej vzorke nie je potrebn\u00e9 testova\u0165 norm\u00e1lne rozlo\u017eenie a z\u00e1rove\u0148, \u017ee v\u0161etky premenn\u00e9 s v\u00fdnimkou pohlavia (nomin\u00e1lna premenn\u00e1) s\u00fa meran\u00e9 na\nintervalovej \u00farovni. Over\u00edme predpoklad linearity medzi prediktormi a z\u00e1vislou\npremennou. Nako\u013eko pohlavie predstavuje nomin\u00e1lnu premenn\u00fa, dan\u00e1 podmienka\nsa na\u0148 nevz\u0165ahuje.<\/p>\n

                        Vytvor\u00edme bodov\u00fd maticov\u00fd graf cez zadanie (na tomto mieste si uk\u00e1\u017eeme in\u00fd sp\u00f4sob zadania bodov\u00e9ho grafu ako v predch\u00e1dzaj\u00facom pr\u00edpade):<\/p>\nTestovanie linearity v SPSS realizujeme cez zadanie:\n

                          \n \t
                        • GRAPHS\/ SCATTER\/ DOT, po ktorom bude otvoren\u00e9 dial\u00f3gov\u00e9 okno pre\nv\u00fdber grafu, zvol\u00edme MATRIX SCATTER. V\u013eavo n\u00e1jdeme h\u013eadan\u00e9 premenn\u00e9: miera vn\u00edman\u00e9ho stresu, pozit\u00edvna afektivita a \u017eivotn\u00e1 spokojnos\u0165 (nomin\u00e1lnu premenn\u00fa pohlavie zobrazova\u0165 potrebn\u00e9 nie je). Presunieme ich na vo\u013en\u00e9 miesto s nadpisom Matrix Variables. Stla\u010d\u00edme OK.<\/li>\n
                        • Na zobrazen\u00fd graf klikneme dvakr\u00e1t, graf sa otvor\u00ed v novom okne a je mo\u017en\u00e9 robi\u0165 \u00fapravy. Vyberieme mo\u017enos\u0165 FIT LINE AT TOTAL s cie\u013eom vytvori\u0165 regresn\u00e9 priamky pre v\u0161etky p\u00e1ry premenn\u00fdch. Ako je mo\u017en\u00e9 vidie\u0165 na Grafe 20 dan\u00e9 vz\u0165ahy pribli\u017ene kop\u00edruj\u00fa regresn\u00e9 priamky, na z\u00e1klade \u010doho podmienku linearity pova\u017eujeme za splnen\u00fa.<\/li>\n<\/ul>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t\t\t\t\t

                          \"\"<\/p>

                          Graf 20 Bodov\u00fd maticov\u00fd graf zobrazuj\u00faci line\u00e1rny vz\u0165ah medzi prediktormi (miera vn\u00edman\u00e9ho stresu, pozit\u00edvna afektivita) a z\u00e1vislou premennou \u017eivotn\u00e1 spokojnos\u0165<\/em><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

                          \n\t\t\t\t
                          \n\t\t\t\t\t\t\t\t\t

                          Testovanie hypot\u00e9zy 13 v SPSS realizujeme cez zadanie:<\/p>\n\n

                            \n \t
                          • ANALYZE\/ REGRESSION\/ LINEAR, otvorilo sa dial\u00f3gov\u00e9 okno, v ktorom m\u00f4\u017eeme zada\u0165 premenn\u00e9. Z\u00e1visl\u00fa premenn\u00fa (\u017eivotn\u00fa spokojnos\u0165) presunieme do vo\u013en\u00e9ho okna v \u010dasti DEPENDENT, prediktory (miera vn\u00edman\u00e9ho stresu, pozit\u00edvna afektivita, pohlavie) presunieme do okna INDEPENDENT(S).<\/li>\n
                          • Na pravej strane ozna\u010d\u00edme STATISTICS a vyberieme: Confidence intervals, Durbin-Watson, Casewise diagnostics, Descriptives, Collinearity diagnostics (samozrejme, mo\u017enost\u00ed je viac, dan\u00fd zoznam mo\u017enost\u00ed predstavuje z\u00e1klad pre kvalitn\u00e9 prevedenie regresnej anal\u00fdzy). V ponuke PLOTS vytvor\u00edme grafick\u00e9 zobrazenie rozlo\u017eenia ch\u00fdb merania (testujeme norm\u00e1lne rozlo\u017eenie ch\u00fdb merania): na os X umiestnime \u0161tandardizovan\u00e9 predikovan\u00e9 hodnoty (ZPRED) a na os Y umiestnime \u0161tandardizovan\u00e9\nrez\u00eddu\u00e1 (ZRESID). Ozna\u010d\u00edme Histogram alebo Normal probability plot (v\u00fdber grafu z\u00e1vis\u00ed od Va\u0161ej preferencie, jedn\u00e1 sa o testovanie rovnakej podmienky). V\u00fdsledkom v\u00fdpo\u010dtu je nieko\u013eko tabuliek a grafov.<\/li>\n<\/ul>
                            \n

                            Pri kontrole deskript\u00edvnej \u0161tatistiky<\/strong> rie\u0161enej \u00falohy vid\u00edme priemern\u00e9 hodnoty v\u0161etk\u00fdch premenn\u00fdch, ich \u0161tandardn\u00e9 odch\u00fdlky a ve\u013ekos\u0165 v\u00fdskumnej vzorky. Skontrolujeme korela\u010dn\u00fa maticu<\/strong>, cie\u013eom je zisti\u0165 \u010di sa medzi prediktormi nach\u00e1dza korel\u00e1cia silnej\u0161ia ako \u00b10,8, v takom pr\u00edpade by sa jednalo o multikolinearitu. V analyzovanom pr\u00edpade je najsilnej\u0161ia korel\u00e1cia -0,442 (medzi premenn\u00fdmi miera vn\u00edman\u00e9ho stresu a pozit\u00edvna afektivita), resp. medzi prediktormi nenastala kolinearita.<\/p>\n

                            Kontrolou tabu\u013eky ozna\u010denej Model Summary<\/strong> zhodnot\u00edme, \u010di je testovan\u00fd model adekv\u00e1tnym modelom pre d\u00e1ta, konkr\u00e9tne prostredn\u00edctvom hodn\u00f4t R a R 2 (R Square). Viacn\u00e1sobn\u00fd korela\u010dn\u00fd koeficient dosahuje hodnotu R=0,561 s jeho umocnenou hodnotou je R 2 = 0,314. Vyn\u00e1soben\u00edm R 2 x 100 z\u00edskame koeficient determin\u00e1cie: 31,4% rozptylu \u017eivotnej spokojnosti je podmienen\u00fd spr\u00e1van\u00edm prediktorov. S\u00fa\u010das\u0165ou zobrazen\u00fdch v\u00fdsledkov je adjustovan\u00e1 hodnota R 2 (resp. prisp\u00f4soben\u00e9 R2), ktor\u00e1 vyjadruje rozptyl z\u00e1vislej premennej, ktor\u00fd je vysvetlite\u013en\u00fd prediktormi v popul\u00e1cii (m\u00e1 teda zov\u0161eobec\u0148uj\u00faci charakter). V danej anal\u00fdze dosahuje Durbin Watson koeficient hodnotu 1,877, zis\u0165uje, \u010di je predpoklad nez\u00e1vislosti ch\u00fdb merania obh\u00e1jite\u013en\u00fd a s oh\u013eadom na jeho hodnotu bola podmienka naplnen\u00e1.<\/p>\n

                            V\u00fdsledok anal\u00fdzy variancie (tabu\u013eka ANOVA<\/strong>), ktor\u00fd overuje vhodnos\u0165 modelu pre z\u00edskan\u00e9 d\u00e1ta m\u00e1 hodnoty: F = 65,577; p = 0,001. Nako\u013eko sme dosiahli signifikantn\u00fd v\u00fdsledok (p < 0,05), regresn\u00fd model je vhodn\u00fd pre predikciu z\u00e1vislej premennej \u017eivotn\u00e1 spokojnos\u0165.<\/p>\nOdpove\u010f na hypot\u00e9zu 13 sa nach\u00e1dza v tabu\u013eke Coefficients<\/strong>. Koeficienty zrealizovanej regresnej anal\u00fdzy zobrazuj\u00fa t\u00fa rovnicu regresnej anal\u00fdzy, ktor\u00e1 najlep\u0161ie predikuje \u017eivotn\u00fa spokojnos\u0165 (y), resp. dosahuje najmen\u0161iu chybu odhadu. Prostredn\u00edctvom ne\u0161tandardizovan\u00fdch regresn\u00fdch koeficientov<\/strong> (B) m\u00f4\u017eeme fin\u00e1lnu regresn\u00fa rovnicu vyjadri\u0165 takto: \u017divotn\u00e1 spokojnos\u0165 = 24,527 – 0,477xMiera vn\u00edman\u00e9ho stresu + 0,220xPozit\u00edvna afektivita + 1,994xPohlavie.<\/p>\n

                            Nako\u013eko \u0161tandardizovan\u00e9 regresn\u00e9 koeficienty<\/strong> umo\u017e\u0148uj\u00fa zhodnoti\u0165 relat\u00edvny v\u00fdznam ka\u017ed\u00e9ho prediktoru pre z\u00e1visl\u00fa premenn\u00fa, m\u00f4\u017eeme kon\u0161tatova\u0165, \u017ee najv\u00e4\u010d\u0161\u00ed v\u00fdznam pre mieru \u017eivotnej spokojnosti predstavuje v negat\u00edvnom smere miera vn\u00edman\u00e9ho stresu (\u03b2 = -0,411), nasleduje (v kladnom smere) pozit\u00edvna afektivita (\u03b2 = 0,235) a napokon pohlavie (\u03b2 = 0,145). Ako interpretova\u0165 predikt\u00edvny v\u00fdznam nomin\u00e1lnej premennej? V prvom rade si mus\u00edme uvedomi\u0165, \u017ee regresn\u00e1 anal\u00fdza je zalo\u017een\u00e1 na korela\u010dnej anal\u00fdze a korela\u010dn\u00fd koeficient medzi dichotomickou\nnomin\u00e1lnom premennou a kardin\u00e1lnou premennou je be\u017enou s\u00fa\u010das\u0165ou psychologick\u00fdch v\u00fdskumov (konkr\u00e9tne by sa v pr\u00edpade korela\u010dnej anal\u00fdzy jednalo o bodovo biseri\u00e1lny korela\u010dn\u00fd koeficient). K dan\u00e9mu regresn\u00e9mu vz\u0165ahu m\u00f4\u017eeme pristupova\u0165 analogicky. Premenn\u00e1 pohlavie dosahuje dve mo\u017en\u00e9 hodnoty\/kateg\u00f3rie: 1 = Mu\u017e, 2 = \u017dena. Medzi pohlav\u00edm a \u017eivotnou spokojnos\u0165ou sme zistili kladn\u00fd predik\u010dn\u00fd vz\u0165ah, \u010do znamen\u00e1, \u017ee kateg\u00f3ria premennej, ktor\u00e1 m\u00e1 vy\u0161\u0161iu hodnotu (v tomto pr\u00edpade 2 = \u017dena) je pozit\u00edvne asociovan\u00e1 so z\u00e1vislou premennou, resp. \u017eeny za\u017e\u00edvaj\u00fa vy\u0161\u0161iu mieru \u017eivotnej spokojnosti. Pre interpreta\u010dn\u00e9 \u00fa\u010dely skontrolujeme tie\u017e signifikanciu, ktor\u00e1 dosahuje hodnotu p < 0.05 pre v\u0161etky vybran\u00e9 prediktory a aj regresn\u00fa kon\u0161tantu.<\/p>\n

                            N\u00e1sledne sa zameriame na intervaly istoty<\/strong>, ktor\u00e9 predstavuj\u00fa pravdepodobn\u00fd rozptyl regresnej kon\u0161tanty a regresn\u00e9ho koeficientu v popul\u00e1cii. V tomto pr\u00edklade skontrolujeme intervaly istoty regresn\u00e9ho koeficientu pozit\u00edvnej afektivity, kde doln\u00fd interval dosahuje hodnotu je 0,138 a horn\u00fd interval hodnotu 0,303, hodnoty s\u00fa pozit\u00edvne, nenadob\u00fadaj\u00fa hodnotu 0, znamen\u00e1 to, \u017ee v popul\u00e1cii sa dan\u00fd regresn\u00fd koeficient s pravdepodobnos\u0165ou 95% nebude rovna\u0165 nule, z toho d\u00f4vodu z\u00e1ver m\u00f4\u017eeme pova\u017eova\u0165 za spo\u013eahliv\u00fd. N\u00e1sledne skontrolujeme v\u0161etky intervaly istoty. S\u00fa\u010das\u0165ou tabu\u013eky Coefficients je \u0160tatistika kolinearity<\/strong> (Collinearity Statistics). Faktor infl\u00e1cie variancie (VIF) ako diagnostick\u00e9 krit\u00e9rium o pr\u00edtomnosti kolinearity je nevyhnutnou s\u00fa\u010das\u0165ou overovania vlastnost\u00ed viacn\u00e1sobnej regresnej anal\u00fdzy s oh\u013eadom na potenci\u00e1lne d\u00f4sledky vyu\u017e\u00edvania koline\u00e1rnych prediktorov (nespo\u013eahliv\u00e9 v\u00fdsledky regresnej anal\u00fdzy, nev\u00fdznamn\u00e9 hodnoty regresn\u00fdch koeficientov i napriek schopnosti prediktorov predikova\u0165 z\u00e1visl\u00fa premenn\u00fa).\nNajv\u00e4\u010d\u0161iu hodnotu VIF dosahuje premenn\u00e1 miera vn\u00edman\u00e9ho stresu (VIF = 1,274), av\u0161ak jedn\u00e1 sa o zanedbate\u013en\u00fa hodnotu (nako\u013eko je hlboko pod hodnotou 5).<\/p>\n

                            Podmienky, ktor\u00fdch plnenie je \u010falej potrebn\u00e9 skontrolova\u0165, s\u00fa norm\u00e1lne rozlo\u017eenie ch\u00fdb merania<\/strong> a homoskedasticita. Viacn\u00e1sobn\u00e1 regresn\u00e1 anal\u00fdza poskytuje vizu\u00e1lnu kontrolu dan\u00fdch podmienok ako s\u00fa\u010das\u0165 anal\u00fdzy (mo\u017enost\u00ed je ur\u010dite viac, podmienky je mo\u017en\u00e9 kontrolova\u0165 taktie\u017e prostredn\u00edctvom testov \u0161tatistickej v\u00fdznamnosti, v pr\u00edpade z\u00e1ujmu je mo\u017en\u00e9 pozrie\u0165 vhodn\u00e9 publik\u00e1cie). Norm\u00e1lne rozlo\u017eenie ch\u00fdb merania testujeme prostredn\u00edctvom histogramu rezidu\u00ed. Kon\u0161tatujeme, \u017ee histogram rezidu\u00ed (Graf 21) zobrazuje norm\u00e1lne rozlo\u017eenie ch\u00fdb merania.<\/p>\n

                            Predpoklad homoskedasticity<\/strong> sme overili prostredn\u00edctvom bodov\u00e9ho grafu zobrazuj\u00faceho vz\u0165ah \u0161tandardizovan\u00fdch rez\u00eddu\u00ed a \u0161tandardizovanej predikovanej hodnoty z\u00e1vislej premennej. Dan\u00fd graf testuje \u010di je rozptyl ch\u00fdb merania kon\u0161tantn\u00fd v regresnom modeli. V analyzovanom pr\u00edpade m\u00f4\u017eeme potvrdi\u0165 zachovanie podmienky homoskedasticity (Graf 22). <\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

                            \n\t\t\t\t
                            \n\t\t\t\t\t\t\t\t\t

                            \"\"<\/p>

                            Graf 21 Histogram rezidu\u00ed testuj\u00faci norm\u00e1lne rozlo\u017eenie rezidu\u00ed<\/em><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

                            \n\t\t\t\t
                            \n\t\t\t\t\t\t\t\t\t

                            \"\"<\/p>

                            Graf 22 Bodov\u00fd graf vz\u0165ahu \u0161tandardizovan\u00fdch rez\u00eddu\u00ed a \u0161tandardizovanej predikovanej hodnoty z\u00e1vislej premennej<\/em><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

                            \n\t\t\t\t
                            \n\t\t\t\t\t\t\t\t\tInterpret\u00e1cia v\u00fdsledkov H13<\/strong>:<\/em>\n

                            Hypot\u00e9za 13 bola testovan\u00e1 pou\u017eit\u00edm viacn\u00e1sobnej line\u00e1rnej regresnej anal\u00fdzy, ktorej v\u00fdsledok uv\u00e1dzame v Tabu\u013eke 21. Testovali sme predik\u010dn\u00fd potenci\u00e1l miery vn\u00edman\u00e9ho stresu, pozit\u00edvnej afektivity a pohlavia vo\u010di\n\u017eivotnej spokojnosti. Z\u00edskan\u00fd regresn\u00fd model m\u00f4\u017eeme vyjadri\u0165 prostredn\u00edctvom nasledovnej sch\u00e9my:<\/em><\/p>\n

                            \u017divotn\u00e1 spokojnos\u0165 = 24,527 – 0,477xMiera vn\u00edman\u00e9ho stresu + 0,220xPozit\u00edvna afektivita + 1,994xPohlavie.<\/em><\/p>\n

                            Kontrola predpokladov<\/strong>: Pred presk\u00faman\u00edm predik\u010dnej sily regresn\u00e9ho modelu sme vykonali pos\u00fadenie jeho z\u00e1kladn\u00fdch predpokladov, aby sme potvrdili integritu na\u0161ej anal\u00fdzy. Prostredn\u00edctvom bodov\u00fdch grafov sme overili linearitu prediktorov so z\u00e1vislou premennou a nezistili sme\nnaru\u0161enie danej podmienky. Durbin- Watson koeficient dosiahol hodnotu 1,877, na z\u00e1klade tohto faktu vyvodzujeme, \u017ee autokorel\u00e1cia medzi rez\u00edduami nie je pr\u00edtomn\u00e1 a potvrdila sa nez\u00e1vislos\u0165 ch\u00fdb. Faktor infl\u00e1cie variancie (VIF) na nach\u00e1dzal pod prahom 5, najvy\u0161\u0161 ia hodnota bola 1,274 pre premenn\u00fa miera vn\u00edman\u00e9ho stresu, na z\u00e1klade \u010doho je mo\u017en\u00e9 vyhodnoti\u0165, \u017ee ka\u017ed\u00fd prediktor prid\u00e1va svoju unik\u00e1tnu varianciu pri predikcii z\u00e1vislej premennej. Vizu\u00e1lnou kontrolou histogramu rez\u00eddu\u00ed bolo potvrden\u00e9 krit\u00e9rium normality rez\u00eddu\u00ed a s\u00fa\u010dasne kontrolou bodov\u00e9ho grafu \u0161tandardizovan\u00fdch predikovan\u00fdch hodn\u00f4t a rez\u00eddu\u00ed bola potvrden\u00e1 homoskedasticita 39<\/span>. S\u00fahrnne tieto diagnostick\u00e9 testy potvrdili predpoklady, na ktor\u00fdch je zalo\u017een\u00fd aktu\u00e1lne testovan\u00fd viacn\u00e1sobn\u00fd line\u00e1rny regresn\u00fd model, a poskytli tak sol\u00eddny z\u00e1klad pre n\u00e1sledn\u00fa anal\u00fdzu.<\/em><\/p>\n

                            Zhrnutie modelu<\/strong>: elkov\u00e1 zhoda modelu bola \u0161tatisticky v\u00fdznamn\u00e1, \u010do\nnazna\u010duje F -\u0161tatistika 65,577 s hodnotou p men\u0161ou ako 0,001 (F(3,429) =\n65,577, p < 0,001), znamen\u00e1 to, \u017ee model vysvet\u013euje v\u00fdznamn\u00fa \u010das\u0165 rozptylu\nz\u00e1vislej premennej \u017eivotn\u00e1 spokojnos\u0165. Hodnota R\u00b2 rovnaj\u00faca sa 0,314\nilustruje, \u017ee n\u00e1\u0161 model predstavuje pribli\u017ene 31% variability \u017eivotnej\nspokojnosti, \u010do potvrdzuje v\u00fdznam zahrnut\u00fdch prediktorov. Zistili sme, \u017ee\nmiera vn\u00edman\u00e9ho stresu ( \u03b2 = - 0,411; p = 0,001), pozit\u00edvna afektivita ( \u03b2 =\n0,235; p = 0,001) a pohlavie ( \u03b2 = 0,1145; p = 0,001) v\u00fdznamne predikuj\u00fa\n\u017eivotn\u00fa spokojnos\u0165, z toho d\u00f4vodu hypot\u00e9zu prij\u00edmame. Navy\u0161e,\nprostredn\u00edctvom intervalov istoty predpoklad\u00e1me, \u017ee dan\u00fd v\u00fdsledok by sa\npotvrdil taktie\u017e v z\u00e1kladnej popul\u00e1cii.<\/em><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

                            \n\t\t\t\t
                            \n\t\t\t\t\t\t\t\t\t

                            Tabu\u013eka 21 V\u00fdsledky testovania H13: Viacn\u00e1sobn\u00e1 line\u00e1rna regresn\u00e1 anal\u00fdza (predikcia \u017eivotnej spokojnosti)<\/em><\/p>\n\n

                            \n\n\n\n\n\n\n\n
                            <\/td>\nB<\/em><\/td>\n95% CI<\/em><\/td>\nBeta<\/em><\/td>\nt<\/em><\/td>\np<\/em><\/td>\n<\/tr>\n
                            Kon\u0161tanta<\/strong><\/td>\n24,527<\/td>\n[19,724; 29,330]<\/td>\n<\/td>\n10,036<\/td>\n,001<\/td>\n<\/tr>\n
                            Miera vn\u00edman\u00e9ho stresu<\/strong><\/td>\n-0,477<\/td>\n[-0,579; -0,374]<\/td>\n-,411<\/td>\n-9,100<\/td>\n,001<\/td>\n<\/tr>\n
                            Pozit\u00edvna afektivita<\/strong><\/td>\n0,220<\/td>\n[0,138; 0,303]<\/td>\n,235<\/td>\n5,265<\/td>\n,001<\/td>\n<\/tr>\n
                            Pohlavie<\/strong><\/td>\n1,994<\/td>\n[0,903; 3,085]<\/td>\n,145<\/td>\n3,593<\/td>\n,001<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\nPozn.: \u0160tandardn\u00e1 met\u00f3da, R 2 adj = 0,310; CI = intervaly istoty pre B\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
                            \n\t\t\t\t\t\t
                            \n\t\t\t\t\t
                            \n\t\t\t
                            \n\t\t\t\t\t\t
                            \n\t\t\t\t
                            \n\t\t\t\t\t

                            12.3 R\u00f4zne formy viacn\u00e1sobnej line\u00e1rnej regresnej anal\u00fdzy<\/h3>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
                            \n\t\t\t\t
                            \n\t\t\t\t\t\t\t\t\t

                            Existuj\u00fa r\u00f4zne mo\u017enosti ak\u00fdm sp\u00f4sobom uskuto\u010dni\u0165 viacn\u00e1sobn\u00fa regresn\u00fa anal\u00fdzu. Rozhodnutie, ktor\u00fa met\u00f3du vyu\u017ei\u0165, le\u017e\u00ed v mo\u017enosti predikcie \u0161trukt\u00fary vz\u0165ahov. Na tomto z\u00e1klade s\u00fa postaven\u00e9 dva modely viacn\u00e1sobnej regresnej anal\u00fdzy:<\/p>\n\n

                              \n \t
                            1. Deskript\u00edvny model viacn\u00e1sobnej regresnej anal\u00fdzy<\/strong> – nepredpoklad\u00e1me \u0161trukt\u00faru vz\u0165ahov medzi prediktormi. Cie\u013eom tohto typu regresnej anal\u00fdzy je popis efektu, ktor\u00fd prediktory na z\u00e1visl\u00fa premenn\u00fa maj\u00fa. Overuje, ak\u00fd\nve\u013ek\u00fd podiel rozptylu z\u00e1vislej premennej je vysvetlite\u013en\u00fd pomocou prediktorov. Pre predstavu uv\u00e1dzame taktie\u017e vizualiz\u00e1ciu deskript\u00edvneho modelu (Obr\u00e1zok 2).\"\"\n

                              Obr\u00e1zok 2 Deskript\u00edvny model viacn\u00e1sobnej regresnej anal\u00fdzy<\/em><\/p>\n<\/li>\n

                            2. Kauz\u00e1lny model viacn\u00e1sobnej regresnej anal\u00fdzy<\/strong> (tento typ anal\u00fdzy sa naz\u00fdva kauz\u00e1lny, av\u0161ak skontrolujte text vy\u0161\u0161ie pre pribl\u00ed\u017eenie ot\u00e1zky, \u010di regresn\u00e1 anal\u00fdza dok\u00e1\u017ee zisti\u0165 kauzalitu vz\u0165ahov) – v tomto pr\u00edpade predpoklad\u00e1me konkr\u00e9tnu\n\u0161trukt\u00faru vz\u0165ahov (medzi prediktormi vz\u00e1jomne a taktie\u017e vo\u010di z\u00e1vislej premennej).\"\"\n

                              Obr\u00e1zok 3 Kauz\u00e1lny model viacn\u00e1sobnej regresnej anal\u00fdzy<\/em><\/p>\n<\/li>\n<\/ol>\n

                              Existuj\u00fa dve hlavn\u00e9 alternat\u00edvy, ak\u00fdm sp\u00f4sobom zostavi\u0165 model regresnej anal\u00fdzy (deskript\u00edvny a kauz\u00e1lny) a s\u00fa\u010dasne existuje nieko\u013eko mo\u017enost\u00ed ako premenn\u00e9 do v\u00fdpo\u010dtu vlo\u017ei\u0165:<\/p>\n

                                \n
                              1. \u0160tandardn\u00e1 met\u00f3da<\/strong> (Enter method) – v\u0161etky premenn\u00e9 s\u00fa do v\u00fdpo\u010dtu\nvlo\u017een\u00e9 s\u00fa\u010dasne. Jedn\u00e1 sa teda o met\u00f3du, ktor\u00e1 je v s\u00falade s deskript\u00edvnym modelom regresnej anal\u00fdzy. Tento typ anal\u00fdzy umo\u017e\u0148uje zisti\u0165 ak\u00fd ve\u013ek\u00fd podiel rozptylu z\u00e1vislej premennej je vysvetlen\u00fd prediktormi (R 2), ak\u00fd ve\u013ek\u00fd efekt m\u00e1 ka\u017ed\u00fd prediktor na z\u00e1visl\u00fa premenn\u00fa pri kontrole efektu ostatn\u00fdch prediktorov (ne\u0161tandardizovan\u00e9 regresn\u00e9 koeficienty) a napokon ak\u00e1 je relat\u00edvna d\u00f4le\u017eitos\u0165 ka\u017ed\u00e9ho prediktoru (\u0161tandardizovan\u00e9 regresn\u00e9 koeficienty).<\/li>\n
                              2. Met\u00f3da postupn\u00e9ho vkladania<\/strong> (Stepwise method) – prediktory s\u00fa do\nv\u00fdpo\u010dtu regresnej anal\u00fdzy vkladan\u00e9 na z\u00e1klade matematick\u00fdch krit\u00e9ri\u00ed. V\u00fdskumn\u00edk premenn\u00e9 m\u00f4\u017ee vlo\u017ei\u0165 s\u00fa\u010dasne av\u0161ak v\u00fdpo\u010det zobraz\u00ed nieko\u013eko modelov, pri\u010dom do prv\u00e9ho modelu je zahrnut\u00e1 regresn\u00e1 kon\u0161tanta a prediktor, ktor\u00fd predikuje z\u00e1visl\u00fa premenn\u00fa najlep\u0161ie. Znamen\u00e1 to, \u017ee o porad\u00ed premenn\u00fdch nerozhodne v\u00fdskumn\u00edk ale predik\u010dn\u00fd potenci\u00e1l jednotliv\u00fdch prediktorov. Prediktory, ktor\u00e9 koreluj\u00fa so z\u00e1vislou premennou\nnev\u00fdznamne sa v regresnom modely nezobrazia. Met\u00f3du postupn\u00e9ho vkladania vyu\u017e\u00edvame pokia\u013e je na\u0161\u00edm cie\u013eom maximalizova\u0165 predikciu s \u010do mo\u017eno najmen\u0161\u00edm po\u010dtom prediktorov.<\/li>\n
                              3. Hierarchick\u00e1 met\u00f3da<\/strong> (Blocks method) – poradie vstupu premenn\u00fdch do regresnej anal\u00fdzy riadi v\u00fdskumn\u00edk, premenn\u00e9 v tomto pr\u00edpade prid\u00e1vame v skupin\u00e1ch (blokoch) na z\u00e1klade n\u00e1\u0161ho predpokladu o vz\u0165ahoch medzi prediktormi vz\u00e1jomne a o vz\u0165ahoch medzi prediktormi a z\u00e1vislou premennou. V\u00fdskumn\u00edk rozhoduje o tom, \u010di vyu\u017eije v jednotliv\u00fdch skupin\u00e1ch (blokoch) \u0161tandardn\u00fa met\u00f3du alebo met\u00f3du postupn\u00e9ho vkladania. Jedn\u00e1 sa o met\u00f3du, ktor\u00e1 je v s\u00falade s kauz\u00e1lnym modelom regresnej anal\u00fdzy.<\/li>\n<\/ol>
                                \n

                                Nasleduj\u00faci pr\u00edklad viacn\u00e1sobnej regresnej anal\u00fdzy budeme realizova\u0165 prostredn\u00edctvom met\u00f3dy postupn\u00e9ho vkladania aby ste mali pr\u00edle\u017eitos\u0165 vidie\u0165 v ak\u00fdch aspektoch sa tento typ regresnej anal\u00fdzy l\u00ed\u0161i od \u0161tandardnej met\u00f3dy, ktorou boli rie\u0161en\u00e9 hypot\u00e9zy 12 a 13. Nako\u013eko princ\u00edp met\u00f3dy postupn\u00e9ho vkladania<\/strong> je zalo\u017een\u00fd na \u0161tatistick\u00fdch krit\u00e9ri\u00e1ch, a nie na predch\u00e1dzaj\u00facich v\u00fdskumoch \u010di te\u00f3rii, jedn\u00e1 sa o explora\u010dn\u00fa met\u00f3du<\/strong>, \u010do znamen\u00e1, \u017ee pri jej realiz\u00e1cii netestujeme hypot\u00e9zu ale kladieme v\u00fdskumn\u00fa ot\u00e1zku. Z toho d\u00f4vodu, pokia\u013e existuj\u00fa v\u00fdskumy, ktor\u00e9 predch\u00e1dzaj\u00fa v\u00e1\u0161 v\u00fdskumn\u00fd z\u00e1mer v podobn\u00fdch podmienkach, je lep\u0161ou vo\u013ebou \u0161tandardn\u00e1 met\u00f3da alebo hierarchick\u00e1 met\u00f3da (v z\u00e1vislosti od toho \u010di predpoklad\u00e1me \u0161trukt\u00faru vz\u00e1jomn\u00fdch vz\u0165ahov medzi prediktormi a taktie\u017e vo\u010di z\u00e1vislej premennej).<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

                                \n\t\t\t\t
                                \n\t\t\t\t\t\t\t\t\t

                                Pr\u00edklad 14 – kardin\u00e1lne prediktory a nomin\u00e1lny prediktor realizovan\u00e9 prostredn\u00edctvom met\u00f3dy postupn\u00e9ho vkladania:<\/strong>
                                \nO: Predikuje optimizmus, seba\u00facta, soci\u00e1lna \u017eiad\u00facnos\u0165 a pohlavie zvl\u00e1danie \u017eivota?<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

                                \n\t\t\t\t
                                \n\t\t\t\t\t\t\t\t\t

                                Pred realiz\u00e1ciou v\u00fdpo\u010dtu over\u00edme podmienky viacn\u00e1sobnej regresnej anal\u00fdzy: jedn\u00e1 sa o ve\u013ek\u00fa v\u00fdskumn\u00fa vzorku a z\u00e1rove\u0148 v\u0161etky premenn\u00e9 s v\u00fdnimkou pohlavia s\u00fa meran\u00e9 na intervalovej \u00farovni. Over\u00edme predpoklad linearity medzi prediktormi a z\u00e1vislou premennou prostredn\u00edctvom maticov\u00e9ho grafu (Graf 23). Ako je mo\u017en\u00e9 vidie\u0165, sk\u00faman\u00e9 vz\u0165ahy nemaj\u00fa vidite\u013en\u00fd neline\u00e1rny tvar.<\/p>\n\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

                                \n\t\t\t\t
                                \n\t\t\t\t\t\t\t\t\t

                                \"\"<\/p>

                                Graf 23 Bodov\u00fd maticov\u00fd graf zobrazuj\u00faci line\u00e1rny vz\u0165ah medzi prediktormi (optimizmus, seba\u00facta, soci\u00e1lna \u017eiad\u00facnos\u0165) a z\u00e1vislou premennou zvl\u00e1dania \u017eivota<\/em><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

                                \n\t\t\t\t
                                \n\t\t\t\t\t\t\t\t\t

                                Testovanie v\u00fdskumnej ot\u00e1zky v SPSS realizujeme cez zadanie:<\/p>\n\n

                                  \n \t
                                • ANALYZE\/ REGRESSION\/ LINEAR, v dial\u00f3govom okne zad\u00e1me premenn\u00e9. Z\u00e1visl\u00fa premenn\u00fa (zvl\u00e1danie \u017eivota) presunieme do okna v \u010dasti DEPENDENT, prediktory (optimizmus, seba\u00facta, soci\u00e1lna \u017eiad\u00facnos\u0165, pohlavie) presunieme do okna pod \u0148ou.<\/li>\n \t
                                • Pod prediktormi je prednastaven\u00e1 \u0161tandardn\u00e1 met\u00f3da (Method: Enter), t\u00fato\nmo\u017enos\u0165 je mo\u017en\u00e9 upravi\u0165, po otvoren\u00ed ponuky vybra\u0165 mo\u017enos\u0165 STEPWISE (met\u00f3du postupn\u00e9ho vkladania, v ponuke sa nach\u00e1dzaj\u00fa e\u0161te \u010fal\u0161ie mo\u017enosti: Remove, Backward, Forward, jedn\u00e1 sa o podtypy met\u00f3dy postupn\u00e9ho vkladania).<\/li>\n \t
                                • Na pravej strane ozna\u010d\u00edme STATISTICS a vyberieme: Confidence intervals,\nDurbin-Watson, Casewise diagnostics, R squared change, Descriptives, Collinearity diagnostics (pr\u00edpadne \u010fal\u0161ie).<\/li>\n \t
                                • V ponuke PLOTS vytvor\u00edme grafick\u00e9 zobrazenie rozlo\u017eenia ch\u00fdb merania:\nos X – \u0161tandardizovan\u00e9 predikovan\u00e9 hodnoty (ZPRED) a os Y – \u0161tandardizovan\u00e9 rez\u00eddu\u00e1 (ZRESID). Ozna\u010d\u00edme Histogram alebo Normal probability plot.<\/li>\n<\/ul>\n \n

                                  M\u00f4\u017eeme skontrolova\u0165 korela\u010dn\u00fa maticu<\/strong> s cie\u013eom zisti\u0165 \u010di sa medzi prediktormi nach\u00e1dza korel\u00e1cia silnej\u0161ia ako \u00b10,8, v takom pr\u00edpade by sa jednalo o multikolinearitu, nako\u013eko v\u0161ak najsilnej\u0161ia korel\u00e1cia dosiahla hodnotu 0,569 (medzi premenn\u00fdmi seba\u00facta a optimizmus) usudzujeme, \u017ee medzi prediktormi nenastala kolinearita.<\/p>\n

                                  Nasleduj\u00faca tabu\u013eka Variables Entered\/Removed<\/strong> informuje o pridan\u00fdch premenn\u00fdch do regresnej anal\u00fdzy (pokia\u013e by sa jednalo o \u0161tandardn\u00fa met\u00f3du, nach\u00e1dzali by sa tu v\u0161etky prediktory bez oh\u013eadu na predik\u010dn\u00fd potenci\u00e1l vo\u010di z\u00e1vislej premennej), v aktu\u00e1lnom pr\u00edklade zis\u0165ujeme, \u017ee premenn\u00e1 soci\u00e1lna \u017eiad\u00facn os\u0165 sa v modely regresnej anal\u00fdzy nenach\u00e1dza, nako\u013eko nenaplnila \u0161tatistick\u00e9 krit\u00e9rium pre zaradenie do modelu (nepredikuje v\u00fdznamne z\u00e1visl\u00fa premenn\u00fa).<\/p>\n

                                  Kontrolou tabu\u013eky Model Summary<\/strong> (sum\u00e1r modelu) hodnot\u00edme adekv\u00e1tnos\u0165 modelu pre d\u00e1ta, vyobrazenie tohto v\u00fdsledku m\u00e1 in\u00fd charakter ako v \u0161tandardnej met\u00f3de (vi\u010f. tabu\u013eka 22). Met\u00f3da postupn\u00e9ho vkladania je charakteristick\u00e1 t\u00fdm, \u017ee prid\u00e1va prediktory do regresn\u00e9ho modelu po jednom, v\u010faka \u010domu m\u00f4\u017eeme vyhodnoti\u0165 okrem R, R 2 a adj. R 2, taktie\u017e zmenu R2 pre ka\u017ed\u00fd prediktor samostatne a vyhodnotenie v\u00fdznamnosti takejto zmeny (Sig. F Change).<\/p>\n

                                  Nako\u013eko met\u00f3da postupn\u00e9ho vkladania zora\u010fuje prediktory od tak\u00e9ho, ktor\u00fd vysvet\u013euje najv\u00e4\u010d\u0161\u00ed rozptyl z\u00e1vislej premennej po tak\u00fd, ktor\u00fd vysvet\u013euje najmen\u0161\u00ed rozptyl z\u00e1vislej premennej, m\u00f4\u017eeme skon\u0161tatova\u0165, \u017ee najv\u00e4\u010d\u0161\u00ed rozptyl zvl\u00e1dania \u017eivota vysvet\u013euje spr\u00e1vanie premennej optimizmus (model 1). Na z\u00e1klade koeficientu determin\u00e1cie (R2 x 100) je zrejm\u00e9, \u017ee 29,7% rozptylu zvl\u00e1dania \u017eivota je podmienen\u00fd spr\u00e1van\u00edm premennej optimizmus. \u010ealej, optimizmus a seba\u00facta\nspolo\u010dne (model 2) vysvet\u013euj\u00fa 37,2% rozptylu z\u00e1vislej premennej. Individu\u00e1lny efekt seba\u00facty na zvl\u00e1danie \u017eivota je t\u00fdm p\u00e1dom 7,5% (R Square Change). Ak\u00fdm sp\u00f4sobom sme na dan\u00fd v\u00fdsledok pri\u0161li?<\/p>\n

                                  R Square Change = R2<\/sup>2 model – R2<\/sup>1 model
                                  \n0,075 = 0,372 – 0,297
                                  \nR Square Change x 100 = Koeficient determin\u00e1cie
                                  \n0,075 x100 = 7,5 %<\/p>\n

                                  Obdobn\u00fdm sp\u00f4sobom zis\u0165ujeme, \u017ee pohlavie je zodpovedn\u00e9 za 1,1% rozptylu pri predikcii zvl\u00e1dania \u017eivota. V\u0161etky prediktory spolo\u010dne vysvet\u013euj\u00fa 38,3% rozptylu z\u00e1vislej premennej. V danej anal\u00fdze dosahuje Durbin Watson koeficient hodnotu 1,951, usudzujeme teda na nez\u00e1vislos\u0165 ch\u00fdb merania.<\/p>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

                                  \n\t\t\t\t
                                  \n\t\t\t\t\t\t\t\t\t

                                  Tabu\u013eka 22 Sum\u00e1r modelu v\u00fdskumnej ot\u00e1zky: Viacn\u00e1sobn\u00e1 line\u00e1rna regresn\u00e1 anal\u00fdza (predikcia zvl\u00e1dania \u017eivota)<\/em><\/p>\n\n

                                  \n\n\n\n\n\n\n
                                  Model<\/strong><\/td>\nR<\/em><\/td>\nR2<\/sup><\/em><\/td>\nAdj. R2<\/sup><\/em><\/td>\nR Square Change<\/em><\/td>\nSig. F Change<\/em><\/td>\n<\/tr>\n
                                  1<\/strong><\/td>\n,545<\/td>\n,297<\/td>\n,296<\/td>\n,297<\/td>\n,001<\/td>\n<\/tr>\n
                                  2<\/strong><\/td>\n,610<\/td>\n,372<\/td>\n,369<\/td>\n,075<\/td>\n,001<\/td>\n<\/tr>\n
                                  3<\/strong><\/td>\n,619<\/td>\n,383<\/td>\n,378<\/td>\n,011<\/td>\n,007<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n
                                    \n \t
                                  1. Regresn\u00e1 kon\u0161tanta, Optimizmus<\/li>\n \t
                                  2. Regresn\u00e1 kon\u0161tanta, Optimizmus, Seba\u00facta<\/li>\n \t
                                  3. Regresn\u00e1 kon\u0161tanta, Optimizmus, Seba\u00facta, Pohlavie<\/li>\n<\/ol>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
                                    \n\t\t\t\t
                                    \n\t\t\t\t\t\t\t\t\t

                                    V\u00fdsledky anal\u00fdzy rozptylu (tabu\u013eka ANOVA<\/strong>), ktor\u00e9 overuj\u00fa vhodnos\u0165 modelu pre z\u00edskan\u00e9 d\u00e1ta s\u00fa obdobne ako v sum\u00e1re modelu rozdelen\u00e9 na tri \u010dasti, pri\u010dom ka\u017ed\u00e1 \u010das\u0165 sa venuje jedn\u00e9mu modelu (po\u010det jednotliv\u00fdch \u010dast\u00ed teda z\u00e1vis\u00ed na po\u010dte v\u00fdznamn\u00fdch prediktorov). Pre \u00fa\u010dely interpret\u00e1cie posta\u010duje vyhodnoti\u0165 hodnoty fin\u00e1lneho modelu (v tomto pr\u00edpade tretieho): F = 88,029; p = 0,001. Nako\u013eko sme dosiahli signifikantn\u00fd v\u00fdsledok (p < 0,05), regresn\u00fd model je vhodn\u00fd pre predikciu z\u00e1vislej premennej zvl\u00e1danie \u017eivota.<\/p>\n

                                    Odpove\u010f na analyzovan\u00fa v\u00fdskumn\u00fa ot\u00e1zku sa nach\u00e1dza v tabu\u013eke Coefficients<\/strong>. Koeficienty zrealizovanej regresnej anal\u00fdzy zobrazuj\u00fa rovnice regresnej anal\u00fdzy, ktor\u00e9 v\u00fdznamne predikuj\u00fa zvl\u00e1danie \u017eivota (y). Soci\u00e1lna \u017eiad\u00facnos\u0165 sa z toho d\u00f4vodu v \u017eiadnom v\u00fdsledku nenach\u00e1dza. Rovnice v jednotliv\u00fdch modeloch sa m\u00f4\u017eu l\u00ed\u0161i\u0165, nako\u013eko pridanie ka\u017ed\u00e9ho prediktoru ovplyv\u0148uje rozptyl modelu (prediktory toti\u017e spolu koreluj\u00fa). Prostredn\u00edctvom ne\u0161tandardizovan\u00fdch regresn\u00fdch koeficientov<\/strong> (B) m\u00f4\u017eeme fin\u00e1lnu regresn\u00fa rovnicu vyjadri\u0165 takto: Zvl\u00e1danie \u017eivota = 8,226 + 0,324xOptimizmus + 0,230xSeba\u00facta – 0,828xPohlavie. \u0160tandardizovan\u00e9 regresn\u00e9 koeficienty<\/strong> umo\u017e\u0148uj\u00fa zhodnoti\u0165 relat\u00edvny v\u00fdznam ka\u017ed\u00e9ho prediktoru pre z\u00e1visl\u00fa premenn\u00fa, m\u00f4\u017eeme kon\u0161tatova\u0165, \u017ee najv\u00e4\u010d\u0161\u00ed v\u00fdznam pre mieru pocitu zvl\u00e1dania \u017eivota predstavuje v kladnom smere optimizmus ( \u03b2 = 0,367) a seba\u00facta (\u03b2 = 0,318). Medzi pohlav\u00edm a zvl\u00e1dan\u00edm \u017eivota je z\u00e1porn\u00fd predik\u010dn\u00fd vz\u0165ah (\u03b2 = -0,104), nako\u013eko premenn\u00e1 pohlavie dosahuje dve mo\u017en\u00e9 kateg\u00f3rie (1 = Mu\u017e, 2 = \u017dena) znamen\u00e1 to, \u017ee kateg\u00f3ria premennej, ktor\u00e1 m\u00e1 vy\u0161\u0161iu hodnotu (v tomto pr\u00edpade 2 = \u017dena) je z\u00e1porne asociovan\u00e1 so z\u00e1vislou premennou, resp. \u017eeny za\u017e\u00edvaj\u00fa ni\u017e\u0161iu mieru pocitu zvl\u00e1dania \u017eivota. V pr\u00edpade danej anal\u00fdzy je kontrola signifikancie uvedenej pri v\u0161etk\u00fdch prediktoroch iba form\u00e1lna, nako\u013eko met\u00f3da postupn\u00e9ho vkladania zobrazuje iba tie prediktory, ktor\u00e9 v\u00fdznamne\npredikuj\u00fa z\u00e1visl\u00fa premenn\u00fa.<\/p>\n

                                    S\u00fa\u010das\u0165ou tabu\u013eky Coefficients je \u0160tatistika kolinearity<\/strong> (Collinearity Statistics). Faktor infl\u00e1cie variancie (VIF) diagnostikuje pr\u00edtomnos\u0165 kolinearity a najv\u00e4\u010d\u0161iu hodnotu VIF dosahuje premenn\u00e1 seba\u00facta (VIF = 1,496), jedn\u00e1 sa o zanedbate\u013en\u00fa hodnotu (nako\u013eko je hlboko pod hodnotou 5).<\/p>\n

                                    Tabu\u013eka Excluded Variables<\/strong> poskytuje inform\u00e1ciu o vyraden\u00fdch premenn\u00fdch z anal\u00fdzy a prisl\u00fachaj\u00facich \u0161tatistik\u00e1ch (\u03b2, t, Sig, \u0161tatistika kolinearity).<\/p> \n

                                    Tabu\u013eka Casewise Diagnostics<\/strong> (diagnostika pr\u00edpadov) zobrazuje v\u0161etky pr\u00edpady, ktor\u00e9 vykazuj\u00fa ve\u013ek\u00e9 \u0161tandardn\u00e9 rez\u00edduum (odch\u00fdlku) predikovanej z\u00e1vislej premennej, konkr\u00e9tne v\u0161etky pr\u00edpady, ktor\u00e9 dosahuj\u00fa odch\u00fdlku v\u00e4\u010d\u0161iu ako 3. Nako\u013eko viacn\u00e1sobn\u00e1 regresn\u00e1 anal\u00fdza m\u00f4\u017ee by\u0165 ovplyvnen\u00e1 t\u00fdmito pr\u00edpadmi, je potrebn\u00e9 ich vplyv diagnostikova\u0165 (vi\u010f text vy\u0161\u0161ie oh\u013eadom \u0161tatistiky DF Beta).<\/p>\n

                                    Podmienky, ktor\u00fdch plnenie je \u010falej potrebn\u00e9 skontrolova\u0165, s\u00fa norm\u00e1lne rozlo\u017eenie ch\u00fdb merania a homoskedasticita. Norm\u00e1lne rozlo\u017eenie ch\u00fdb merania<\/strong> testujeme prostredn\u00edctvom histogramu rezidu\u00ed. Ako u\u017e preuk\u00e1zala diagnostika pr\u00edpadov, taktie\u017e v histograme rez\u00eddu\u00ed z\u00e1vislej premennej m\u00f4\u017eeme pozorova\u0165 v\u00e4\u010d\u0161iu \u0161tandardn\u00fa odch\u00fdlku ako 3 (jedn\u00e1 sa o dva pr\u00edpady na \u013eavej strane rozlo\u017eenia a jeden vplyvn\u00fd pr\u00edpad na pravej strane rozlo\u017eenia), histogram v\u0161ak vykazuje relat\u00edvne dobr\u00e9 rozlo\u017eenie rez\u00eddu\u00ed.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

                                    \n\t\t\t\t
                                    \n\t\t\t\t\t\t\t\t\t

                                    \"\"<\/p>

                                    Graf 24 Histogram rezidu\u00ed testuj\u00faci norm\u00e1lne rozlo\u017eenie rez\u00eddu\u00ed z\u00e1vislej premennej<\/em><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

                                    \n\t\t\t\t
                                    \n\t\t\t\t\t\t\t\t\t

                                    Predpoklad homoskedasticity<\/strong> sme overili prostredn\u00edctvom bodov\u00e9ho grafu\nzobrazuj\u00faceho vz\u0165ah \u0161tandardizovan\u00fdch rez\u00eddu\u00ed a \u0161tandardizovanej predikovanej\nhodnoty z\u00e1vislej premennej. Graf testuje kon\u0161tantnos\u0165 rozlo\u017eenia rez\u00eddu\u00ed v\nregresnom modeli, pri\u010dom m\u00f4\u017eeme potvrdi\u0165 zachovanie podmienky\nhomoskedasticity (Graf 25)<\/p>\n

                                    Interpret\u00e1cia v\u00fdsledkov v\u00fdskumnej ot\u00e1zky:<\/strong>\nV\u00fdskumn\u00e1 ot\u00e1zka bola testovan\u00e1 pou\u017eit\u00edm viacn\u00e1sobnej line\u00e1rnej regresnej anal\u00fdzy met\u00f3dou postupn\u00e9ho vkladania, jej v\u00fdsledky uv\u00e1dzame v Tabu\u013ek\u00e1ch 22 a 23. Testovali sme predik\u010dn\u00fd potenci\u00e1l optimizmu, seba\u00facty, soci\u00e1lnej \u017eiad\u00facnosti a pohlavia vo\u010di zvl\u00e1daniu \u017eivota. V ka\u017edom kroku boli pridan\u00e9 prediktory na z\u00e1klade hodnoty p (p \u2264 0,05), fin\u00e1lny regresn\u00fd model m\u00f4\u017eeme vyjadri\u0165 prostredn\u00edctvom nasledovnej sch\u00e9my:\nZvl\u00e1danie \u017eivota = 8,226 + 0,324xOptimizmus + 0,230xSeba\u00facta –\n0,828xPohlavie.<\/em><\/p>\n\"\"\n

                                    Graf 25 Bodov\u00fd graf vz\u0165ahu \u0161tandardizovan\u00fdch rez\u00eddu\u00ed a \u0161tandardizovanej predikovanej hodnoty z\u00e1vislej premennej<\/em><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

                                    \n\t\t\t\t
                                    \n\t\t\t\t\t\t\t\t\t

                                    Kontrola predpokladov<\/strong>: Pred presk\u00faman\u00edm predik\u010dnej sily regresn\u00e9ho modelu sme pos\u00fadili v\u0161etky d\u00f4le\u017eit\u00e9 predpoklady, s cie\u013eom potvrdi\u0165 adekv\u00e1tnos\u0165 anal\u00fdzy. Prostredn\u00edctvom bodov\u00fdch grafov sme overili linearitu prediktorov so z\u00e1vislou premennou a nezistili sme naru\u0161enie danej podmienky. Durbin -Watson koeficient dosiahol hodnotu 1,951, na z\u00e1klade \u010doho kon\u0161tatujeme, \u017ee sa naplnila podmienka nez\u00e1vislosti rez\u00eddu\u00ed. Faktor infl\u00e1cie variancie (VIF) sa pri v\u0161etk\u00fdch prediktoroch nach\u00e1dzal pod prahom 5 (najvy\u0161\u0161ia hodnota dosahovala 1,496 pr e premenn\u00fa seba\u00facta), na z\u00e1klade \u010doho vyhodnocujeme, \u017ee v\u0161etky z v\u00fdznamn\u00fdch prediktorov prid\u00e1vaj\u00fa unik\u00e1tnu varianciu pri predikcii z\u00e1vislej premennej. Kontrola histogramu rez\u00eddu\u00ed a diagnostika pr\u00edpadov nazna\u010dila, \u017ee sa v d\u00e1tach nach\u00e1dzaj\u00fa vplyvn\u00e9 pr\u00edpady, z toho d\u00f4vodu sme vykonali kontrolu vplyvu pr\u00edpadov a nako\u013eko hodnoty DF Beta boli v pr\u00edpade ka\u017ed\u00e9ho prediktoru men\u0161ie ako 0,096 (2\/\u221aN), usudzujeme, \u017ee pr\u00edpady neovplyvnili stabilitu anal\u00fdzy. Kontrolou bodov\u00e9ho grafu \u0161tandardizovan\u00fdch predikovan\u00fdch hodn\u00f4t a rez\u00eddu\u00ed bola potvrden\u00e1 homoskedasticita. S\u00fahrnne tieto diagnostick\u00e9 testy potvrdili predpoklady, na ktor\u00fdch je zalo\u017een\u00fd aktu\u00e1lne testovan\u00fd viacn\u00e1sobn\u00fd line\u00e1rny regresn\u00fd model, a poskytli tak sol\u00eddny z\u00e1klad pre n\u00e1sledn\u00fa anal\u00fdzu.<\/em><\/p>\n

                                    Zhrnutie modelu<\/strong>: Celkov\u00fd model je \u0161tatisticky v\u00fdznamn\u00fd, \u010do nazna\u010duje F – \u0161tatistika o hodnote 88,029 a p men\u0161\u00edm ako 0,001 (F(2,429) = 88,029, p < 0,001), znamen\u00e1 to, \u017ee model vysvet\u013euje v\u00fdznamn\u00fa \u010das\u0165 rozptylu z\u00e1vislej premennej zvl\u00e1danie \u017eivota. Hodnota R\u00b2 celkov\u00e9ho modelu r ovnaj\u00faca sa 0,383 poukazuje na to, \u017ee testovan\u00fd regresn\u00fd model predstavuje pribli\u017ene 38% rozptylu zvl\u00e1dania \u017eivota. Zistili sme, \u017ee optimizmus ( \u03b2 = 0,367; p = 0,001) pozit\u00edvne predikuje mieru zvl\u00e1dania \u017eivota a vysvet\u013euje 29,7% jeho rozptylu. Seba\u00facta ( \u03b2 = 0,318; p = 0,001) taktie\u017e pozit\u00edvne predikuje pocit zvl\u00e1dania \u017eivota a vysvet\u013euje 7,5%. A napokon pohlavie ( \u03b2 = -0,104, p = 0,007) v\u00fdznamne negat\u00edvne predikuje zvl\u00e1danie \u017eivota, pri\u010dom vysvet\u013euje 1,1% rozptylu. Soci\u00e1lna \u017eiad\u00facnos\u0165 sa nepreuk\u00e1zala ako vysvet\u013euj\u00faca s oh\u013eadom na sledovan\u00fa z\u00e1visl\u00fa premenn\u00fa 40<\/span>.<\/em><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

                                    \n\t\t\t\t
                                    \n\t\t\t\t\t\t\t\t\t

                                    Tabu\u013eka 23 V\u00fdsledky testovania v\u00fdskumnej ot\u00e1zky: Viacn\u00e1sobn\u00e1 line\u00e1rna regresn\u00e1 anal\u00fdza (predikcia zvl\u00e1dania \u017eivota)<\/em><\/p>\n\n

                                    \n\n\n\n\n\n\n\n
                                    <\/td>\nB<\/em><\/td>\nBeta<\/em><\/td>\nt<\/em><\/td>\np<\/em><\/td>\n<\/tr>\n
                                    Kon\u0161tanta<\/strong><\/td>\n8,226<\/td>\n,<\/td>\n7,414<\/td>\n,001<\/td>\n<\/tr>\n
                                    Optimizmus<\/strong><\/td>\n,0,324<\/td>\n,367<\/td>\n7,902<\/td>\n,001<\/td>\n<\/tr>\n
                                    Seba\u00facta<\/strong><\/td>\n0,230<\/td>\n,318<\/td>\n6,827<\/td>\n,001<\/td>\n<\/tr>\n
                                    Pohlavie<\/strong><\/td>\n-0,828<\/td>\n-,104<\/td>\n-2,724<\/td>\n,007<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n

                                    Pozn.: Met\u00f3da postupn\u00e9ho vkladania, R 2 adj = 0,378.\n<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

                                    \n\t\t\t\t\t\t
                                    \n\t\t\t\t\t
                                    \n\t\t\t
                                    \n\t\t\t\t\t\t
                                    \n\t\t\t\t
                                    \n\t\t\t\t\t

                                    \u00daLOHY<\/h3>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
                                    \n\t\t\t\t
                                    \n\t\t\t\t\t\t\t\t\t
                                      \n \t
                                    1. Sformulujte dvojsmern\u00fa a n\u00e1sledne jednosmern\u00fa hypot\u00e9zu, ktor\u00e1 by testovala\npredik\u010dn\u00fd vz\u0165ah medzi IQ, kompetentnos\u0165ou a efektivitou pr\u00e1ce .\n
                                        \n \t
                                      • Zamyslite sa, ktor\u00e9 premenn\u00e9 by mohli predstavova\u0165 prediktory a ktor\u00e1 premenn\u00e1 by mohla predstavova\u0165 z\u00e1visl\u00fa premenn\u00fa.<\/li>\n<\/ul>\n<\/li>\n
                                      • Sformulujte hypot\u00e9zu\/v\u00fdskumn\u00fa ot\u00e1zku, ktor\u00e1 by zis\u0165ovala predik\u010dn\u00fd potenci\u00e1l\nkardin\u00e1lnej a nomin\u00e1lnej premennej vo\u010di kardin\u00e1lnej premennej.\n
                                          \t\n
                                        • Overte linearitu vz\u0165ahu medzi prediktorom a z\u00e1vislou premennou vo vlastnej\ndatab\u00e1ze.<\/li>\n \t
                                        • Zoh\u013eadnite potrebn\u00e9 parametre (nez\u00e1vislos\u0165 rez\u00eddu\u00ed, mo\u017en\u00fa kolinearitu, normalitu ch\u00fdb merania, homoskedasticitu).<\/li>\n \t
                                        • Hypot\u00e9zu\/v\u00fdskumn\u00fa ot\u00e1zku otestujte v \u0161tatistickom softwari, spracujte do tabuliek a interpretujte.<\/li>\n<\/ul>\n<\/li>\n<\/ol>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
                                          \n\t\t\t\t\t\t
                                          \n\t\t\t\t\t
                                          \n\t\t\t
                                          \n\t\t\t\t\t\t
                                          \n\t\t\t\t
                                          \n\t\t\t\t\t

                                          Z\u00c1VERE\u010cN\u00c9 \u00daLOHY<\/h3>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
                                          \n\t\t\t\t
                                          \n\t\t\t\t\t\t\t\t\t
                                            \n \t
                                          1. V\u00fdskum je zameran\u00fd na s\u00favislos\u0165 medzi neurotizmom a faj\u010den\u00edm. Neurotizmus je\nmeran\u00fd 9 polo\u017ekami dotazn\u00edka (Likertova \u0161k\u00e1la), faj\u010denie je kardin\u00e1lna premenn\u00e1\n(po\u010det cigariet za mesiac), zah\u0155\u0148a aj hodnotu 1 = nefaj\u010denie (pou\u017eite cvi\u010dn\u00fd s\u00fabor).\n
                                              \n \t
                                            1. Formulujte a testujte jednosmern\u00fa korela\u010dn\u00fa hypot\u00e9zu (zv\u00e1\u017ete parametre typu premennej, pr\u00edpadne normality pre vo\u013ebu testu). V\u00fdsledky spracujte do tabu\u013eky, zobrazte pr\u00edslu\u0161n\u00fdm grafom a interpretujte.<\/li>\n
                                            2. Presk\u00famajte, \u010di bud\u00fa v\u00fdsledky (korel\u00e1cie) vecne rozdielne medzi mu\u017emi a \u017eenami\n(SPLIT FILE). V\u00fdsledky spracujte do tabu\u013eky, tabu\u013eku interpretujte, spravte pr\u00edslu\u0161n\u00fd graf pre obe podskupiny.<\/li>\n
                                            3. Overte, \u010di plat\u00ed, \u017ee \u010d\u00edm je faj\u010diar emo\u010dne labilnej\u0161\u00ed, t\u00fdm faj\u010d\u00ed viac cigariet (tzn. vyra\u010fte z testovania nefaj\u010diarov \u2013 SELECT CASES). Zhodno\u0165te typ premenn\u00fdch,\nnormalitu (ak je potrebn\u00e9), zvo\u013ete spr\u00e1vny test. V\u00fdsledky spracujte do tabu\u013eky,\ninterpretujte a vypracujte graf.<\/li>\n
                                            4. Formulujte hypot\u00e9zu o rozdiele v neurotizme medzi faj\u010diarmi a nefaj\u010diarmi (je\npotrebn\u00e9 RECODE-ova\u0165 s\u00fabor na tieto dve skupiny, presk\u00fama\u0165 normalitu v oboch\nskupin\u00e1ch), zvo\u013ete spr\u00e1vny kompara\u010dn\u00fd test, v\u00fdsledky spracujte do tabu\u013eky,\ninterpretujte, vypracujte pr\u00edslu\u0161n\u00fd graf (napr. boxplot)<\/li>\n
                                            5. Formulujte hypot\u00e9zu o s\u00favislosti, \u017ee faj\u010diari s\u00fa sk\u00f4r emo\u010dne labiln\u00ed ne\u017e nefaj\u010diari (obe premenn\u00fa s\u00fa tu kategorick\u00e9), pou\u017eite nasleduj\u00fac e kroky:\n
                                                \n
                                              • Rek\u00f3dujte kardin\u00e1lnu premenn\u00fa Neurotizmus na tri kateg\u00f3rie: n\u00edzke, stredn\u00e9\na vysok\u00e9 sk\u00f3re, kde stredn\u00e9 p\u00e1smo bude reprezentova\u0165 M \u00b1 \u0160O (je potrebn\u00e9\nnajsk\u00f4r spravi\u0165 deskripciu a zisti\u0165 priemer, \u0161td.odch\u00fdlku, ur\u010di\u0165 hrani\u010dn\u00e9\nhodnoty p\u00e1siem, potom rek\u00f3dova\u0165 do NEW VARIABLE).<\/li>\n
                                              • Odfiltrujte z vyhodnotenia stredn\u00e9 p\u00e1smo Neurotizmu (pou\u017eite SELECT\nCASES \u2013 odfiltrujte stredn\u00e9 p\u00e1smo alebo RECODE \u2013 vytvorte nov\u00fa premenn\u00fa\ns dvoma kateg\u00f3riami).<\/li>\n
                                              • Sformulujte pracovn\u00fa kompara\u010dn\u00fa jednosmern\u00fa hypot\u00e9zu s ur\u010den\u00edm, v ktorej\nskupine bude vy\u0161\u0161ie\/ni\u017e\u0161ie zast\u00fapenie (po\u010detnosti) jednej \u010di druhej kateg\u00f3rie\nNeurotizmu.<\/li>\n
                                              • Sformulujte pracovn\u00fa hypot\u00e9zu o z\u00e1vislosti (vz\u0165ahu) medzi kategorick\u00fdmi\npremenn\u00fdmi (ak sa to podar\u00ed spr\u00e1vne, nebude znie\u0165 ako hypot\u00e9za na korela\u010dn\u00fd\nline\u00e1rny vz\u0165ah).<\/li>\n
                                              • Hypot\u00e9zy testujte pr\u00edslu\u0161n\u00fdm testom (na b\u00e1ze kr\u00ed\u017eovej tabu\u013eky) , tabu\u013eky\nupravte pod\u013ea vzoru, interpretujte, vytvorte pr\u00edslu\u0161n\u00fd graf.<\/li>\n<\/ul>\n<\/li>\n<\/ol>\n<\/li>\n \t
                                              • Vymyslite analogick\u00fd pr\u00edklad (ako v \u00falohe 24) s pou\u017eit\u00edm in\u00fdch premenn\u00fdch cvi\u010dn\u00e9ho s\u00faboru alebo vlastn\u00e9ho s\u00faboru (premenn\u00e1 A a premenn\u00e1 B), obe premenn\u00e9 m\u00f4\u017eu by\u0165 kardin\u00e1lne, alebo jedna ordin\u00e1lna (aby ich bolo mo\u017en\u00e9 rek\u00f3dova\u0165 na tri\/dve kateg\u00f3rie) a aby predpoklady o s\u00favislostiach (rozdieloch vz\u0165ahoch) mali zmysel z h\u013eadiska psychol\u00f3gie.\n
                                                  \n \t
                                                1. Formulujte a testujte jednosmern\u00fa korela\u010dn\u00fa hypot\u00e9zu (zv\u00e1\u017ete parametre typu premennej, pr\u00edpadne normality pre vo\u013ebu testu). V\u00fdsledky spracujte do tabu\u013eky, zobrazte pr\u00edslu\u0161n\u00fdm grafom a interpretujte.<\/li>\n \t
                                                2. Presk\u00famajte, \u010di bud\u00fa v\u00fdsledky (korel\u00e1cie) vecne rozdielne medzi mu\u017emi a \u017eenami (alebo in\u00fdmi skupinami, SPLIT FILE). V\u00fdsledky spracujte do tabu\u013eky, tabu\u013eku\ninterpretujte, spravte pr\u00edslu\u0161n\u00fd graf pre obe podskupiny.<\/li>\n \t
                                                3. Overte, \u010di plat\u00ed s\u00favislos\u0165 medzi premennou A a B iba v nejakej \u0161pecifickej skupine zo s\u00faboru (tzn. pou\u017eite filter s ur\u010den\u00edm skupiny, SELECT CASES). Zhodno\u0165te typ\npremenn\u00fdch (v r\u00e1mci t\u00fdchto filtrovan\u00fdch d\u00e1t), normalitu (ak je potrebn\u00e9), zvo\u013ete\nspr\u00e1vny test. V\u00fdsledky spracujte do tabu\u013eky, interpretujte a vypracujte graf.<\/li>\n \t
                                                4. Formulujte hypot\u00e9zu o rozdiele v A medzi skupinami pod\u013ea B (je potrebn\u00e9\nRECODE-ova\u0165 s\u00fabor na skupiny, presk\u00fama\u0165 normalitu v oboch skupin\u00e1ch), zvo\u013ete\nspr\u00e1vny kompara\u010dn\u00fd test, v\u00fdsledky spracujte do tabu\u013eky, interpretujte, vypracujte\npr\u00edslu\u0161n\u00fd graf (napr. boxplot).<\/li>\n \t
                                                5. Formulujte hypot\u00e9zu o s\u00favislosti, \u017ee jedna skupina pod\u013ea B premennej vykazuje viac z nejakej kateg\u00f3rie premennej A (obe premenn\u00fa s\u00fa tu kategorick\u00e9), pou\u017eite nasleduj\u00face kroky ako v predch\u00e1dzaj\u00facej \u00falohe.<\/li>\n<\/ol>\n<\/li>\n<\/ol>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<\/div>\n\t\t","protected":false},"excerpt":{"rendered":"

                                                  \u0160TATISTIKA PRAKTICKY (NIELEN) V Z\u00c1VERE\u010cN\u00ddCH PR\u00c1CACH 12.LINE\u00c1RNA REGRESN\u00c1 ANAL\u00ddZA Ako sme zistili v predch\u00e1dzaj\u00facej kapitole, unik\u00e1tny vz\u0165ah medzi dvomi premenn\u00fdmi je mo\u017en\u00e9 vyjadri\u0165 prostredn\u00edctvom korela\u010dn\u00e9ho koeficientu (resp. taktie\u017e silu a smer tohto vz\u0165ahu). Medzi vn\u00edmanou mierou podpory od u\u010dite\u013ea a pozit\u00edvnym vz\u0165ahom ku \u0161kole bol kladn\u00fd, stredne siln\u00fd vz\u0165ah. \u010c\u00edm bola podpora od u\u010dite\u013ea vy\u0161\u0161ia, […]<\/p>\n","protected":false},"author":3,"featured_media":0,"parent":0,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"footnotes":""},"class_list":["post-11933","page","type-page","status-publish","hentry"],"_links":{"self":[{"href":"https:\/\/e-ucebnice.ff.ucm.sk\/index.php\/wp-json\/wp\/v2\/pages\/11933","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/e-ucebnice.ff.ucm.sk\/index.php\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/e-ucebnice.ff.ucm.sk\/index.php\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/e-ucebnice.ff.ucm.sk\/index.php\/wp-json\/wp\/v2\/users\/3"}],"replies":[{"embeddable":true,"href":"https:\/\/e-ucebnice.ff.ucm.sk\/index.php\/wp-json\/wp\/v2\/comments?post=11933"}],"version-history":[{"count":268,"href":"https:\/\/e-ucebnice.ff.ucm.sk\/index.php\/wp-json\/wp\/v2\/pages\/11933\/revisions"}],"predecessor-version":[{"id":13656,"href":"https:\/\/e-ucebnice.ff.ucm.sk\/index.php\/wp-json\/wp\/v2\/pages\/11933\/revisions\/13656"}],"wp:attachment":[{"href":"https:\/\/e-ucebnice.ff.ucm.sk\/index.php\/wp-json\/wp\/v2\/media?parent=11933"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}