برای تجزیه و تحلیل خود از R نسخه ۴٫۱٫۲ استفاده کردیم [۴۶] برای محاسبه آمار توصیفی و تولید مدل‌های رگرسیون برای آزمایش تفاوت در متغیرهای نتیجه (ارتباط با طبیعت، دانش تغییرات آب و هوا و نگرانی‌های محیطی) بین شخصیت‌ها. جدول ۳ سؤالات تحقیق، اهداف، متغیرهای مورد استفاده برای رسیدگی به هر سؤال تحقیق، و همچنین آزمون های آماری مربوطه و جایی که می توان نتایج را یافت، ارائه می دهد.

تجسم داده ها شامل نمودارهای جعبه است [۴۷] ارائه حداقل، صدک ۲۵، میانه، صدک ۷۵، و حداکثر (نگاه کنید به شکل S1 برای بحث بیشتر). برای آزمایش تفاوت در تفاوت‌های زوجی برای ارتباط با طبیعت، دانش تغییرات آب و هوا و نگرانی‌های زیست‌محیطی برای پنج کاراکتر، تجزیه و تحلیل واریانس (ANOVA) را با استفاده از آزمون F کلی انجام دادیم. [۴۸,۴۹]. ما مفروضات ANOVA را بررسی کردیم تا اطمینان حاصل کنیم که متغیرهای مربوط به طبیعت، دانش تغییرات آب و هوا و نگرانی های محیطی به طور معمول توزیع شده اند، انحرافات استاندارد برابر هستند (نسبت انحراف استاندارد نمونه در محدوده معقول ۰٫۵۰-۲٫۰۰ بود) و گروه ها (شخصیت ها) مستقل بودند. ما فرض می‌کنیم که با توجه به اینکه هر شخصیت تکالیف فردی را به عنوان بخشی از دوره انجام داده است، فرض استقلال منطقی است.

برای ارائه شواهدی مبنی بر تأثیر انتساب شخصیت، مشخصات دموگرافیک دانش آموز و نمرات پیش آزمون بر نمرات پس آزمون، از رگرسیون حداقل مربعات معمولی (OLS) استفاده شد. ما از رگرسیون OLS استفاده کردیم زیرا ارتباط با طبیعت، دانش تغییرات آب و هوا و نگرانی های محیطی متغیرهای کمی هستند که توزیع تقریباً نرمال دارند. ما به طور جداگانه نمرات پس آزمون مربوط به طبیعت و همچنین نمرات پس آزمون دانش تغییرات آب و هوا را برای رسیدگی به سؤالات تحقیقاتی خاص خود مدل سازی کردیم. به طور خاص، ما می‌خواستیم نمرات پیش‌آزمون را کنترل کنیم و بررسی کنیم که آیا بر اساس تخصیص شخصیت و ویژگی‌های جمعیت شناختی دانش‌آموز (جنسیت، وضعیت همسالان، وضعیت نسل اول، وضعیت کم درآمد، وضعیت دانشجویی و رشته تحصیلی انتقالی). فرض مدل OLS این است که یک رابطه خطی بین متغیرهای پیش بینی کننده (نمرات مربوط به ماهیت پیش آزمون، تخصیص شخصیت، جنسیت، وضعیت PEER، وضعیت نسل اول، وضعیت کم درآمد، وضعیت دانشجوی انتقالی و رشته) وجود دارد. و متغیر پاسخ (نمرات مربوط به ماهیت پس آزمون). علاوه بر این، نگرانی های زیست محیطی در مدل رگرسیونی ما از دانش تغییرات آب و هوا گنجانده شد، زیرا دانش تغییرات آب و هوا، به ویژه دانش در مورد علل تغییرات آب و هوا، ممکن است محرک مهم نگرانی های زیست محیطی باشد. [۵۰]; رابطه خطی بین متغیرهای پیش‌بینی‌کننده (نمرات دانش تغییر اقلیم قبل از آزمون، نمرات نگرانی‌های محیطی قبل از آزمون، تخصیص شخصیت، جنسیت، وضعیت PEER، وضعیت نسل اول، وضعیت کم درآمد، وضعیت دانشجوی انتقالی و رشته) و پاسخ متغیر (نمرات دانش تغییر اقلیم پس آزمون) مدلسازی شد. با فرض اینکه نمونه ای از آن داشته باشیم $n$ مشاهدات مستقل، $\left({\mathrm{ایکس}}_{\mathrm{من}}،y_{\mathrm{من}}\right)$، ما برآوردهایی را برای ${ب}^{\mathrm{تی}}=\left({ب}_{\mathrm{۰}}،...،{ب}_{ک}\right)$. اجازه دهید $Y$ متغیر پاسخ (نمرات پس آزمون) باشد و اجازه دهید ${\mathrm{ایکس}}^{\mathrm{تی}}=\left({\mathrm{ایکس}}_{\mathrm{۱}}،\dots ،{\mathrm{ایکس}}_{ک}\right)$ باشد $ک$ پیش بینی کننده ها در مدل و ${\mathrm{E}}_{\mathrm{من}}$ خطای تصادفی برای $\mathrm{من}$دانش آموز، که توسط:

ابتدا، مدلی ساختیم که در آن همه پیش‌بینی‌کننده‌ها و متغیر پاسخ را گنجانده‌ایم. در مرحله بعد، رگرسیون خطی بهترین زیرمجموعه را با استفاده از بسته bestglm در R انجام دادیم [۵۱] جایی که مدلی را با کمترین معیار اطلاعات آکایک انتخاب کردیم (AIC). این AIC نشان دهنده تعادل برازش مدل با قابلیت تعمیم است [۵۲,۵۳]. این AIC از رابطه زیر بدست می آید:

جایی که $L$ احتمال و $ک$ تعداد پارامترهای مدل است. این AIC بر اساس احتمال ورود به سیستم (معیار میزان احتمال بودن داده های مشاهده شده، با توجه به یک مدل) است و با افزایش پیچیدگی پارامتر جریمه می شود. دلیل این جریمه این است که افزودن پارامترها به یک مدل می تواند منجر به برازش بیش از حد داده ها شود. بنابراین، AIC بین بهترین تناسب مدل و پیچیدگی مدل تعادل برقرار می کند.