Vícerozměrné statistické metody - detail zprávy #870

Predikce sexuální spokojenosti pomocí pohlaví, délky vztahu, věku prvního styku a dyadické touhy

Lenka Grulichová, 26. 04. 2026

Data: Relationship Between Desire and Sexual Satisfaction..., Oscar Cervilla et al., https://figshare.com

V práci se vyskytuje: Lin. regrese

Udělená slovní hodnocení

• Pěkná práce. Snad jen to téma je samo o sobě atraktivní (co prodává lépe než sex, že?) tak se mi zdá, že by se z toho dalo vytěžit véc nebo to aspoň zábavněji čtenáři prodat.
• Vysoká věcná správnost a precizní práce s rozsáhlým datovým souborem.
• Popis čištění je transparentní, centrování spojitých prediktorů metodicky správně zdůvodněné. Co bych řešila jinak: formulace „víme, že metodu neměli použít, ale použijeme ji" je didakticky problematická — lepší by bylo ukázat, co s narušenými předpoklady udělá robustní alternativa (bootstrap, M-estimace). I jeden q-q plot by pomohl pochopit, jak vážné porušení vlastně je. A vztah dyadické touhy a spokojenosti má problém s reverzní kauzalitou.
• K plnému počtu mi chyběl jen graf residuí (nebo i jiný) a také jsem postrádala nějaké bližší info o tom, proč předpoklady selhaly. Také nutno dodat, že lineární regrese není příliš nápaditá metoda.
• Práce je metodicky velmi dobře promyšlená a oceňuji transparentní práci s předpoklady lineární regrese. Interpretace parametrů i významu interceptu je jasná a didakticky silná. Text je čitelný, strukturovaný a nabízí čtenáři skutečné porozumění použité metodě i jejím omezením.
• Datový zdroj je dohledatelný a oceňuju, jak otevřeně píšeš, co se ti při čištění zdálo divné a jak ses s tím vypořádala (negativní věk prvního styku, délka vztahu rovná věku respondenta). Centrování spojitých prediktorů je metodologicky správné rozhodnutí a dobře zdůvodněné. Co bys mohla zlepšit: nesplnění předpokladů popisuješ obecně, ale neukazuješ, jak konkrétně byla narušena (q-q plot, scale-location plot by stačily) — bez toho čtenář neví, jak vážné to bylo. A v didaktickém textu může být odzbrojující upřímnost typu "víme, že bychom to neměli použít, ale použijeme" matoucí — alternativou by byla robustní regrese nebo bootstrap, což by se s podobně širokým záběrem dalo dobře vysvětlit.