Standaryzowany współczynnik β – wzór i przykład krok po kroku

Standaryzowany współczynnik β to współczynnik regresji przeliczony na odchylenia standardowe, dzięki czemu możesz porównać predyktory mierzone w różnych jednostkach. Typowe pytanie z pracy dyplomowej: co silniej przewiduje wynik z kolokwium – godziny nauki czy minuty snu?

Kiedy stosować współczynnik β?

• masz regresję z kilkoma predyktorami i chcesz wiedzieć, który z nich ma największy udział w przewidywaniu;
• predyktory mają różne jednostki (godziny, minuty, punkty skali, złotówki);
• chcesz porównać wynik z badaniami, w których te same zmienne mierzono innymi narzędziami;
• opisujesz wyniki w stylu APA – czasopisma psychologiczne i pedagogiczne zwykle oczekują podania b i β.

Zwykły współczynnik b wyjaśniamy w haśle o regresji liniowej. W regresji z jednym predyktorem β to po prostu korelacja Pearsona. Sama zamiana wyniku na odchylenia standardowe to wynik standaryzowany z. Jeśli predyktory są ze sobą silnie skorelowane, sprawdź najpierw VIF, bo wtedy β bywa niestabilne.

Wzór na standaryzowany współczynnik β

\(\beta_j\)

standaryzowany współczynnik dla j-tego predyktora (czytaj: „beta”)

\(b_j\)

zwykły (niestandaryzowany) współczynnik regresji tego predyktora, odczytany z wyniku regresji

\(s_{x_j}\)

odchylenie standardowe predyktora – typowa odległość wyników od średniej, w jego własnych jednostkach

\(s_y\)

odchylenie standardowe zmiennej wyjaśnianej (np. punktów z kolokwium)

\(j\)

numer predyktora: 1 dla godzin nauki, 2 dla snu itd.

Jak przeczytać wzór na głos: „beta to zwykły współczynnik pomnożony przez odchylenie standardowe predyktora i podzielony przez odchylenie standardowe wyniku”. Mnożenie przez s_x zamienia „krok o jedną jednostkę” na „krok o jedno odchylenie standardowe”. Dzielenie przez s_y wyraża zmianę wyniku w odchyleniach standardowych zamiast w punktach.

Przykład krok po kroku

Część 1: jeden predyktor. Pięcioro studentów zapisało godziny nauki (x) i punkty z kolokwium (y). To te same dane co w hasłach o korelacji i regresji. Prosta regresji ma postać ŷ = 1,2 + 1,6x, więc b = 1,6 punktu na godzinę.

1. Średnie. Średnia godzin: 15 / 5 = 3. Średnia punktów: 30 / 5 = 6.
2. Odchylenie standardowe x. Suma kwadratów odchyleń wynosi 10. Dzielimy przez n − 1 = 4: 10 / 4 = 2,5. Pierwiastek: s_x = √2,5 = 1,581.
3. Odchylenie standardowe y. 40 / 4 = 10, więc s_y = √10 = 3,162.
4. Stosunek odchyleń. 1,581 / 3,162 = 0,5 (dokładnie, bo √2,5 / √10 = √0,25 = 0,5).
5. β. β = 1,6 · 0,5 = 0,80. To dokładnie korelacja r = 0,80 z hasła o korelacji Pearsona – przy jednym predyktorze tak jest zawsze.

Część 2: dwa predyktory w różnych jednostkach. Inna piątka studentów podała godziny nauki i minuty snu przed kolokwium.

1. Współczynniki b. Regresja punktów na obu predyktorach daje ŷ = −37 + 1,0 · godziny + 0,10 · sen. Godzina nauki „daje” 1 punkt, a minuta snu tylko 0,1 punktu. Na pierwszy rzut oka nauka wygląda na dziesięć razy ważniejszą.
2. Odchylenia standardowe. s_godziny = √(16 / 4) = √4 = 2 godziny; s_sen = √(6400 / 4) = √1600 = 40 minut; s_y = √(100 / 4) = √25 = 5 punktów.
3. β dla godzin. β₁ = 1,0 · 2 / 5 = 2 / 5 = 0,40.
4. β dla snu. β₂ = 0,10 · 40 / 5 = 4 / 5 = 0,80.
5. Wniosek. Kolejność się odwróciła: przy tej samej „miarce” sen przewiduje wynik dwa razy silniej niż nauka. Wzrost snu o jedno odchylenie standardowe (40 minut) wiąże się ze wzrostem o 0,80 odchylenia punktów, czyli o 0,80 · 5 = 4 punkty. Wzrost nauki o 2 godziny daje 0,40 · 5 = 2 punkty.

W tych danych godziny i sen nie są ze sobą skorelowane (r = 0), dlatego każda β równa się zwykłej korelacji z wynikiem. Gdy predyktory są skorelowane, β to wkład „po odjęciu” drugiego predyktora i nie musi równać się r.

Jak zinterpretować i opisać wynik?

β czytasz w odchyleniach standardowych: β = 0,80 znaczy, że osoby wyższe o jedno odchylenie standardowe na predyktorze mają przewidywany wynik wyższy o 0,80 odchylenia standardowego, przy stałym drugim predyktorze. Znak mówi o kierunku. Porównuj wartości bezwzględne β tylko w obrębie jednego modelu i jednej próby, bo zależą od rozrzutu zmiennych w tej próbie. Model z naszego przykładu wyjaśniał R² = 0,80 zmienności punktów, ale przy n = 5 nie był istotny: F(2, 2) = 4,00; p = 0,200.

Jak policzyć β w R?

godziny <- c(1, 1, 3, 5, 5)
sen     <- c(380, 460, 420, 380, 460)   # minuty snu
punkty  <- c(3, 11, 4, 7, 15)

# 1) „ręcznie”: β = b · s_x / s_y
model <- lm(punkty ~ godziny + sen)
b <- coef(model)[-1]                              # 1.0 i 0.1
beta <- b * c(sd(godziny), sd(sen)) / sd(punkty)  # 1.0·2/5 i 0.1·40/5
round(beta, 2)

# 2) to samo: regresja na wynikach z (scale)
coef(lm(scale(punkty) ~ scale(godziny) + scale(sen)))[-1]

# 3) gotowa funkcja z przedziałami ufności
parameters::standardize_parameters(model)

Wynik w konsoli R:

godziny     sen 
    0.4     0.8 
scale(godziny)     scale(sen) 
           0.4            0.8 
# Standardization method: refit

Parameter   | Std. Coef. |        95% CI
----------------------------------------
(Intercept) |   6.71e-18 | [-1.22, 1.22]
godziny     |       0.40 | [-0.96, 1.76]
sen         |       0.80 | [-0.56, 2.16]

Trzy sposoby dają te same liczby: 0,40 i 0,80. Funkcja standardize_parameters() dodaje przedziały ufności – takie same jak na Rys. 3. Wyraz wolny po standaryzacji wynosi 0 (R pokazuje go jako bardzo małą liczbę typu 6.71e-18).

b czy β – co podać w pracy?

Podaj oba. Współczynnik b ma sens praktyczny: „każda dodatkowa godzina nauki to średnio 1 punkt więcej”. Współczynnik β pozwala porównać predyktory między sobą. Jeśli predyktor jest zmienną zero-jedynkową (np. płeć), β trudno zinterpretować, bo „jedno odchylenie standardowe płci” nic nie znaczy – wtedy opisuj b. Pamiętaj też, że β nie jest miarą „ważności” w sensie przyczynowym. Mówi tylko, jak silnie predyktor wiąże się z wynikiem w tej próbie.

Najczęstsze błędy

• Porównywanie predyktorów na podstawie zwykłych b, gdy mają różne jednostki – jak minuty i godziny w naszym przykładzie.
• Mylenie β ze współczynnikiem β błędu II rodzaju – to zupełnie inne pojęcia, które przypadkiem mają tę samą literę.
• Porównywanie β między badaniami o bardzo różnym rozrzucie zmiennych – ta sama zależność da inne β w grupie jednorodnej i zróżnicowanej.
• Interpretowanie β powyżej 1 jako błędu – przy silnie skorelowanych predyktorach β może przekroczyć 1. To sygnał, żeby sprawdzić współliniowość.
• Podawanie β bez istotności i przedziału ufności – przy małej próbie nawet β = 0,80 może być przypadkiem.