رگرسیون سلسلهمراتبی (Hierarchical regression) نشان میدهد متغیرهای پیشبین پس از ورود متغیرهای دیگر به صورت معنادار تغییرات متغیر وابسته را توجیه میکنند. این روش در علوم اجتماعی، آموزش، روانشناسی، بازاریابی و آمار کاربردی مدیریت بهشدت محبوب باشد. در این مقاله روش «رگرسیون سلسلهمراتبی» مفهومسازی و تعریف خواهد شد.
تعریف و کاربرد رگرسیون سلسلهمراتبی
رگرسیون سلسلهمراتبی یکی از روشهای پیشرفتهٔ تحلیل رگرسیونی است که در آن متغیرهای پیشبین بهصورت مرحلهبهمرحله وارد مدل میشوند. هدف این روش آن است که مشخص کند هر گروه از متغیرها چه مقدار واریانس جدیدی را در متغیر وابسته توضیح میدهند و ارزش افزودهٔ آماری هر بلوک چیست.
در این روش از رگرسیون، پژوهشگر بهصورت هدفمند ترتیب ورود پیشبینها را تعیین میکند. هر بلوک شامل یک یا چند متغیر است و با ورود هر بلوک، تغییر در ضریب تعیین (ΔR²) سنجیده میشود. این تغییر نشان میدهد که آن گروه از متغیرها چه سهمی در بهبود مدل داشتهاند.
یکی از کاربردهای اساسی این روش در حل مسائل متغیر تعدیل کننده است. سلسلهمراتبی یا ترتیبی این امکان را فراهم میآورد که تاثیر چند متغیر مستقل بر یک متغیر وابسته طی چند مرحله مشخص شود.
تحلیل آماری پایاننامه و رساله دکتری
راهنمای تحلیل آماری پایاننامه و رساله دکتری مدیریت:
- تحلیل دادههای آماری با روشهای کمی
- تحلیل و کدگذاری مصاحبه با روشهای کیفی
- تحلیل آماری پایاننامه کارشناسی ارشد
- تجزیهوتحلیل روشهای آمیخته رساله دکتری
آموزش رگرسیون سلسلهمراتبی با SPSS
برای تحلیل رگرسیون سلسلهمراتبی مراحل زیر را انجام دهید:
فایل data2.sav را باز کنید.
از منوی Analyze گزینه Regression فرمان Linear را اجرا کنید: Analyze →Regression Linear
متغیر وابسته DV را به کادر متغیرهای وابسته منتقل کنید.
متغیر مستقل IV را به کادر متغیرهای مستقل منتقل کنید.
دکمه Next را فشار دهید تا کادر بعدی ظاهر شود.
متغیر مستقل IV و متغیر تعدیلگر MV را به کادر متغیرهای مستقل منتقل کنید.
از قسمت Method نوع رگرسیون را انتخاب کنید. بهتر است روی Enter تنظیم باشد.
دکمه ok را فشار دهید تا خروجی ظاهر شود.
براساس جدول خلاصه مدل (Model Summary) میزان تغییر R را بررسی کنید. اگر تغییرات چشمگیر بود بنابراین متغیر تعدیلگر موثر بوده است ولی اگر تغییرات چندان زیاد نبود بنابراین متغیر تعدیلگر نقشی نداشته است. روش فوق رگرسیون سلسلهمراتبی خطی بوده و روشهای سلسلهمراتبی چندگانه نیز وجود دارد.
نمونه تفسیر کوتاه: پس از وارد کردن متغیرهای بلوک دوم، مقدار ضریب تعیین (R²) از ۰.۲۸ به ۰.۴۱ افزایش یافت (ΔR² = 0.۱۳). این نتیجه نشان میدهد که متغیرهای بلوک دوم ۱۳٪ واریانس جدید را در متغیر وابسته توضیح میدهند و ارزش افزودهٔ آماری دارند.
مزایا و محدودیتهای رگرسیون سلسلهمراتبی
این روش مناسب زمانی است که پژوهشگر بر اساس نظریه یا شواهد پیشین میخواهد بداند:
- آیا متغیرهای جدید چیزی فراتر از متغیرهای قبلی توضیح میدهند؟
- کدام دسته از متغیرها بیشترین نقش را در پیشبینی دارند؟
- اثر متغیرهای کلیدی پس از کنترل سایر عوامل، چقدر واقعی است؟
در نتیجه این روش از نظر تحلیل علمی بسیار قوی و موضوعی جذاب برای پژوهشگران مدیریت است.
چه زمانی از رگرسیون سلسلهمراتبی استفاده نکنیم؟
- زمانی که هیچ مبنای نظری برای ترتیب ورود متغیرها نداریم.
- زمانی که بلوکها از نظر آماری همپوشانی شدید دارند (همخطی بالا).
- در مدلهای بسیار پیچیده، بهتر است از تحلیل مسیر یا SEM استفاده شود.
سخن پایانی
رگرسیون سلسلهمراتبی روشی قدرتمند برای آزمون مدلهای مرحلهای است و نشان میدهد هر دسته از متغیرها تا چه حد در پیشبینی نقش دارند. برای پژوهشگران مدیریت، آموزش، روانشناسی و بازاریابی، این روش امکان ارائهٔ تحلیل عمیقتر و قابل دفاعتر را فراهم میکند؛ بهویژه در مقالات علمی و پروژههای دادهمحور.
منبع: حبیبی، آرش؛ سرآبادانی، مونا. (۱۴۰۱). آموزش کاربردی SPSS. تهران: ناروندانش.
نگارنده: پشتیبانی پارسمدیر | 
