Что такое Критериальная переменная? (Пояснение + примеры)

Что такое Критериальная переменная? (Пояснение + примеры)

Переменная критерия — это просто другое имя для зависимой переменной или переменной отклика.Это переменная, которая прогнозируется в статистическом анализе.

Точно так же, как независимые переменные имеют разные имена, такие как переменные- предикторы или независимые переменные , переменная отклика также имеет взаимозаменяемые имена, такие как зависимая переменная или переменная-критерий .

Каковы некоторые примеры переменных критерия?

Следующие сценарии иллюстрируют примеры переменных критерия в нескольких различных настройках.

Пример 1: простая линейная регрессия

Простая линейная регрессия — это статистический метод, который мы используем для понимания связи между двумя переменными, x и y. Одна переменная, x, известна как переменная-предиктор. Другая переменная, y, известна как переменная критерия или переменная отклика .

В простой линейной регрессии мы находим «линию наилучшего соответствия», которая описывает взаимосвязь между переменной-предиктором и переменной-критерием.

Например, мы можем подогнать простую модель линейной регрессии к набору данных, используя часы обучения в качестве переменной-предиктора и результат теста в качестве переменной-критерия. В этом случае мы будем использовать простую линейную регрессию, чтобы попытаться предсказать значение нашей критериальной переменной теста .

Или, в качестве другого примера, мы можем подогнать простую модель линейной регрессии к набору данных, используя вес для прогнозирования значения роста для группы людей. В этом случае нашей переменной критерия является высота , поскольку это значение, которое мы хотим предсказать.

Если бы мы нанесли значения роста и веса на диаграмму рассеяния , высота переменной критерия находилась бы на оси Y:

Диаграмма рассеяния линейной регрессии

Как правило, критериальная переменная будет располагаться по оси y, когда мы создаем диаграмму рассеяния, а предикторная переменная будет располагаться по оси x.

Пример 2: Множественная линейная регрессия

Множественная линейная регрессия похожа на простую линейную регрессию, за исключением того, что мы используем несколько переменных-предикторов для прогнозирования значения одной переменной-критерия.

Например, мы можем использовать предикторные переменные количество изучаемых часов и количество часов сна в ночь перед тестом , чтобы предсказать значение тестовой переменной критериальной переменной. В этом случае нашей критериальной переменной является переменная, прогнозируемая в этом анализе.

Пример 3: Дисперсионный анализ

ANOVA (дисперсионный анализ) — это статистический метод, который мы используем, чтобы выяснить, существует ли статистически значимая разница между средними значениями трех или более независимых групп.

Например, мы можем захотеть определить, по-разному ли три разные программы упражнений влияют на потерю веса. Предикторная переменная, которую мы изучаем, — это программа упражнений, и она имеет три уровня .

Переменной критерия является потеря веса, измеряемая в фунтах. Мы можем провести односторонний дисперсионный анализ , чтобы определить, есть ли статистически значимая разница между результирующей потерей веса по трем программам.

В данном случае нас интересует, различается ли значение переменной критерия потери веса в трех программах упражнений.

Если вместо этого мы проанализируем программу упражнений и среднее количество часов сна за ночь, мы проведем двусторонний дисперсионный анализ, поскольку нам интересно увидеть, как два фактора влияют на потерю веса.

Тем не менее, опять же, нашей критериальной переменной по-прежнему является потеря веса, потому что нас интересует, как значение этой переменной отличается для разных уровней упражнений и сна .


Дополнительная литература: простое объяснение валидности критерия

Замечательно! Вы успешно подписались.
Добро пожаловать обратно! Вы успешно вошли
Вы успешно подписались на кодкамп.
Срок действия вашей ссылки истек.
Ура! Проверьте свою электронную почту на наличие волшебной ссылки для входа.
Успех! Ваша платежная информация обновлена.
Ваша платежная информация не была обновлена.