Логлинейный метод подбора модели

Теоретически из насыщенной модели можно удалить любые элементы, получив, таким образом, произвольную ненасыщенную модель. Далее можно проверить со-стоятельность этой модели и в случае несоответствия ее исходным данным перей-ти к анализу другой ненасыщенной модели. Однако большинство исследователей отдают предпочтение иерархическим логлинейным моделям, которые позволяют упорядочить процесс подбора окончательной состоятельной модели. Основной особенностью иерархических моделей является то, что присутствие какого-либо взаимодействия переменных означает присутствие всех взаимодействий, имею-щих более низкий порядок, и главных эффектов этих переменных. Например,

если в модели присутствует взаимодействие агрессия × симпатия, то в ней присут-ствуют главные эффекты переменных агрессия и симпатия; если в модели присут-ствует взаимодействие агрессия × симпатия × условия, то в ней также присутству-ют взаимодействия агрессия × симпатия, агрессия × условия и симпатия × условия, и т. д.

Существуют три вспомогательных метода, которые предназначены для подбора адекватной модели. Все три метода оказываются весьма полезными и приводят

к сходным результатам. Тем не менее окончательный выбор модели опреде-ляется не только статистическими результатами применения метода, но и по-ниманием исследователем особенностей исходных данных. Краткие описания методов приведены ниже, более подробные — в разделе «Представление ре-зультатов».

ff Метод исследования оценок параметров предназначен для вычисления оценок параметров для насыщенной модели. Помимо обычных оценок параметров SPSS вычисляет стандартизованные оценки. Если значения последних неве-лики, то они не оказывают значимого влияния на модель и обычно исключа-ются.

ff Метод вычисления частичного критерия хи-квадрат в дополнение к оценкам параметров модели SPSS вычисляет критерий χ2, характеризующий степень соответствия модели исходным данным. При помощи этого критерия про-веряется, являются ли все однофакторные эффекты, а также эффекты более высоких порядков статистически значимыми (анализируются комбинации всех эффектов первого, второго и т. д. порядков). При этом отсутствие об-щей значимости эффектов второго порядка вовсе не означает, что все эффекты первого порядка не являются значимыми. Аналогично, из отсутствия общей значимости эффектов любого порядка не следует отсутствие значимости от-дельных взаимодействий этого порядка. Вследствие этих двух особенностей

в SPSS предусмотрена возможность раздельной проверки главных эффектов и эффектов взаимодействий.

ff Суть метода пошагового исключения состоит в автоматической «подгонке» мо-дели и сходна с методом исключения предикторов из уравнения регрессии: из насыщенной модели постепенно исключаются те элементы (переменные и их взаимодействия), которые не оказывают значимого воздействия. Данный ме-тод построения модели относится к иерархическому логлинейному моделиро-ванию. Так, если обнаружено статистически значимое взаимодействие четырех переменных, не проверяется (на предмет исключения из модели) взаимодей-ствие трех из этих переменных, иначе модель не являлась бы иерархической по определению. Окончательный результат «подгонки» модели наиболее при-емлем, если все оставшиеся в ней элементы оказываются статистически до-стоверными.

Иерархические логлинейные модели относятся к очень сложному разделу стати-стики, поэтому мы рекомендуем перед проведением логлинейного анализа обра-титься к дополнительным источникам.

362 Глава 25.Логлинейный анализ таблиц сопряженности