Vícerozměrné statistické metody - detail zprávy #866

Prediktory počtu terapeutických sezení u úzkostných jedinců: Poissonovská regrese

Květa Kala, 24. 04. 2026

Data: Social Anxiety Dataset, Zhang, https://www.kaggle.com/datasets/natezhang123/social-anxiety-dataset

V práci se vyskytuje: Poiss. regrese

Udělená slovní hodnocení

• Autor*ka velmi dobře vysvětluje, proč byla zvolena právě Poissonova regrese, jak funguje a jak interpretovat výsledky pomocí IRR koeficientů. Oceňuji také přehlednou strukturu textu, logickou návaznost jednotlivých částí a transparentní přiznání limitů datasetu. Celkově práce působí propracovaně a i z didaktického hlediska je dobře napsaná. Mohla by tam být zahrnuta ještě kontrola multikolinearity, ale to je spíš detail, jinak ocenuji i použití vizualizace.
• Zpráva by jednoznačně měla být stručnější a nepopisovat každý krok (co bylo zaškrtnuto v jamovi). Tabulky nejsou dle APA 7 a loglikelihood ratio testy působí nadbytečně. Zpráva je jinak srozumitelná, s kvalitním popisem výsledků a velice oceňuji obrázek.
• Velmi dobrá práce. Metoda je vysvětlena krok za krokem včetně postupu v Jamovi, což je didakticky velmi cenné. Oceňuji také otevřené přiznání syntetické povahy dat a ověření overdisperse. Těžko hledat výraznější slabiny.
• OK.
• Z hlediska didaktického textu je tohle špička pětice — vysvětluješ, proč Poissonova regrese, jak se interpretuje IRR, kontroluješ overdispersion a paradox negativního efektu stresu pěkně diskutuješ. Dobré rozhodnutí přiznat hned na začátku syntetickou povahu dat, aby čtenář interpretoval závěry s rezervou. Co bych ještě uvítala: zmínku o tom, že u takhle velkého vzorku (a u syntetických dat zvlášť) je statistická významnost prakticky garantovaná, takže se hodí víc tlačit na velikosti efektů než na p-hodnoty. A taky bys mohla u stresu × úzkost přímo ukázat korelaci, abys svou hypotézu o multikolinearitě podepřela tvrdými čísly.
• Z celé pětice mě tato zpráva nejvíce zaujala. Nemám co vytknout, cením využití Poissonovské regrese.