Что такое логлинейная модель и зачем ее использовать?

Логлинейная модель похожа на регрессионную, только вместо того, что в регрессии зависимой переменной выступает переменная (выраженная в количественной шкале), то в логлинейной такой переменной выступает натуральный логарифм частот категорий, а также логлинейная модель предназначена для анализа переменных представленных в ранговой шкале. Модель включает в себя все переменные и их взаимодействия, но в связи с тем, что не все эффекты являются значимыми, то модель позволяет выявить статистически значимые эффекты и их взаимодействия. То есть в применении к частному случаю все возможные варианты взаимодействия вводимых в уравнение переменных оцениваются с точки зрения поиска достоверных (что определяется уровнем р который не должен превышать 0,05 и уровнем хи-квадрат, который должен быть достаточно высок, что говорит о значимости взаимодействия именно этих переменных внутри всей модели). Далее проводится стандартная процедура анализа таблиц сопряженности для выявленных взаимодействий, которая позволяет подробно выявить как взаимодействуют между собой исследованные переменные и построить диаграммы по ним. Общая логика модели такова: к примеру вы изучаете взаимодействие пяти ранговых переменных каждая из которых имеет три значения (не стоит вводить в СПСС более пяти переменных, в принципе он позволяет вводить до десяти, но получится слишком громоздкая модель), при желании вы, конечно, можете проверить влияние четырех ваших переменных (независимых) на одну из них (зависимая) используя таблицы сопряженности, но во-первых вы уйдете от общей логики исследования, т.к. все ваши переменные являются описанием некоего одного явления и модель для того и придумана, чтобы исследовать все явление в комплексе, анализируя все возможные грани взаимодействия и условий проявления свойств этого явления, во-вторых такой способ не даст ответа на вопрос о возможных взаимовлияниях разных переменных друг на друга (например как будут взаимодействовать переменные Х и Y при участии переменной Z), то есть вы потеряете множество полезной и необходимой в научном поиске информации.