结果解读——回归分析

如何解决结果解读——回归分析

我想对以下假设进行回归分析：

零假设 H0：难民在飞行途中遇到的负面经历越频繁，他们融入社会的可能性就越小。备择假设 H1：难民在飞行途中遇到的负面经历越频繁，他们就越有可能被激励融入抵达国。

为此，我有一个自变量：飞行中的负面事件（总共 7 个）。我将单个事件更改为虚拟变量。 1 代表是，它发生在我身上； 0 = 不，它没有发生在我身上。

作为因变量服务一次：过去四个星期的工作搜索。也作为虚拟变量。 1= 是，积极寻找工作； 0=否，没有搜索过。

这里我通过 R 进行了二元逻辑回归并获得了以下结果：

Deviance Residuals: 
  Min       1Q   Median       3Q      Max  
-0.9761  -0.7247  -0.7247  -0.5969   1.9667  

Coefficients:
                       Estimate Std. Error z value Pr(>|z|)    
(Intercept)              -1.20300    0.06541 -18.392   <2e-16 ***
Betrug_Ausbeutung         0.13261    0.16456   0.806   0.4203    
Sexuelle_Belaestigung    -0.64374    0.46809  -1.375   0.1691    
Koerperliche_Uebergriffe  0.03856    0.20002   0.193   0.8471    
Schiffbruch              -0.36793    0.21924  -1.678   0.0933 .  
Raubueberfall             0.03005    0.21369   0.141   0.8882    
Erpressung                0.50785    0.19988   2.541   0.0111 *  
Gefaengnisaufenthalt     -0.06372    0.18494  -0.345   0.7305    
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

(dispersion parameter for binomial family taken to be 1)

  Null deviance: 1950.5  on 1776  degrees of freedom
Residual deviance: 1937.1  on 1769  degrees of freedom
(443 observations deleted due to missingness)
AIC: 1953.1

Number of Fisher Scoring iterations: 4

第二个因变量是：语言改进措施的数量。在这里，参与得越多，就越致力于学习语言。因此，这个变量是公制的，我进行了逻辑回归，结果如下：

Residuals:
    Min      1Q  Median      3Q     Max 
-2.5826 -0.8857  0.1143  1.0549  7.2166 

Coefficients:
                          Estimate Std. Error t value Pr(>|t|)    
(Intercept)               1.885696   0.030118  62.611  < 2e-16 ***
Betrug_Ausbeutung         0.187883   0.078458   2.395  0.01672 *  
Sexuelle_Belaestigung     0.159546   0.202521   0.788  0.43090    
Koerperliche_Uebergriffe  0.059371   0.096217   0.617  0.53726    
Schiffbruch              -0.102326   0.096238  -1.063  0.28779    
Raubueberfall            -0.008705   0.103450  -0.084  0.93295    
Erpressung                0.155163   0.100242   1.548  0.12180    
Gefaengnisaufenthalt      0.246018   0.085401   2.881  0.00401 ** 
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 1.201 on 2130 degrees of freedom
  (82 observations deleted due to missingness)
Multiple R-squared:  0.0173,Adjusted R-squared:  0.01407 
F-statistic: 5.355 on 7 and 2130 DF,p-value: 4.288e-06

现在的问题是我已经阅读了所有理论，但仍然理解零如何将其应用于我的案例。如何解释关于我的假设的结果？并且关于结果和编码的假设是否有意义。还是应该 H1 然后简单地否定 H0？我也想添加控制变量，但我不知道如何用 R 来做到这一点。即使经过大量研究，我仍然不知道如何去做。即使经过大量研究。我只是绝望。关于帮助，我会非常高兴。

真诚的，自动对焦