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
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。