Vícerozměrné statistické metody - detail zprávy #856

Prediktory problematického používania sociálnych sietí: lineárna regresná analýza

Eva Ďuricová, 12. 04. 2026

Data: FOMO A OSOBNOSTNÉ RYSY V KONTEXTE PROBLEMATICKÉHO POUŽÍVANIA SOCIÁLNYCH SIETÍ (z bakalárskej práce, Ďuricová, 2025)

V práci se vyskytuje: Lin. regrese

Udělená slovní hodnocení

• Práce se drží postupu a výsledky jsou přehledně prezentované. Chybí mi ale hlubší diskuse předpokladů modelu, která by práci metodologicky posílila.
• Zpráva je na zajímavé téma a metoda pro práci s daty je vhodně zvolená. Jako slabší vnímám to, že některé kroky analýzy nejsou podrobněji vysvětleny (např. práce s předpoklady regresního modelu). Oceňuji použití tabulek a grafů, ale u tabulek chybí popis nahoře a grafy nejsou nijak více okomentované, tím pádem není jasné, jak je vlastně můžeme interpretovat. Doporučila bych zarovnání do bloku a lepší formální úpravu.
• Práce je pěkná, téma sice neuchvátí, ale přináší zajímavé výsledky. Přehledně zpracované tabulky. Jen tedy pozor na celkovou úpravu textu, která zbytečně kazí dojem. Co se týká didaktické hodnoty, autor spíše nevysvětluje. Práce s daty pěkná.
• Literární rešerše je nejobsáhlejší v celé dávce — spoustu zdrojů a dobře propojených. Regresní model dává smysl, výsledky odpovídají předchozímu výzkumu (FoMO jako klíčový prediktor, svědomitost jako ochranný faktor). Fajn, že u každého regresoru uvádíš intervaly spolehlivosti, to v jiných zprávách chybí. Scatter ploty pro dva hlavní prediktory a boxplot pro pohlaví jsou dobrým vizuálním doplňkem. Co mi ale chybí: s osmi prediktory, z toho pět rysů Big Five, by bylo důležité ověřit multikolinearitu (VIF) a ukázat reziduální diagnostiku. Bez toho nevíme, jestli model splňuje předpoklady.
• Téma je aktuální a výběr prediktorů je taky fajn. Adjusted R² = 0,317 je solidní výsledek a tři významné prediktory (FoMO, svědomitost, pohlaví) dávají docela smysl. Je bezva, že práce uvádí intervaly spolehlivosti, rozhodně nejsou v každé zprávě. Mírnou slabinou je, že chybí ověření předpokladů regrese, není zmínka o normalitě reziduí, homoskedasticitě ani multikolinearitě. Škoda! Také trochu překvapí, že FoMO je v teoretickém úvodu zmíněno jako klíčový prediktor, ale pak v sekci s proměnnými chybí v seznamu nezávislých proměnných, je tam takové schované až ve výsledcích. Text je jasný a čitelný, literatura je bohatá a relevantní. Grafy 1 a 2 jsou fajn a hezky ilustrují vztahy u významných prediktorů. Graf 3 s krabicovými grafy pro pohlaví je hodně cool, fousky nejsou letos příliš v kurzu. Závěr je ale docela stručný a prakticky jen opakuje výsledky bez hlubšího zamyšlení. Chybí diskuze o tom, proč ostatní prediktory nevyšly, co by mohlo chybět v modelu nebo jaké jsou limity studie.
• Tohle je fakt pěkná práce. Oceňuju, že data pocházejí z vlastního sběru v rámci bakalářky – to dává celé analýze úplně jinou váhu. Teoretický úvod je obsáhlý, dobře vystavěný a podepřený spoustou zdrojů. Regresní model je přehledně prezentovaný, tabulky obsahují vše podstatné a grafy hezky doplňují celkový obrázek. Jedno, co by šlo vylepšit, je diagnostika reziduí – nikde nevidím kontrolu normality reziduí, homoskedasticity nebo multikolinearity. Stačilo by pár slov nebo grafů navíc a byla by to metodicky kompletní