Логлинейный метод подбора модели
361
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».
Метод
f
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.
Метод
f
вычисления частичного критерия хи-квадрат в дополнение к оценкам
параметров модели SPSS вычисляет критерий
χ
2
,
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.
Суть метода
f
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.