Assumpties van enkelvoudige lineaire regressie:
1. Lineariteit: er is een lineaire relatie tussen x en y
2. Homoscedasticiteit: De residuen zijn normaal verdeeld met een gemiddelde van 0 en
standaarddeviatie σ
a. Kijk naar de scatter plot: de spreiding rondom de regressielijn moet ongeveer
normaal verdeeld zijn
3. Onafhankelijkheid van residuen: de residuen zijn onafhankelijk van de waarde van
voorspeller x
a. Kijk naar de residual plot: er moet geen patroon zijn van de residuen rondom de lijn
4. Random steekproef
a. Dit moet in het onderzoeksdesign ingebouwd zijn
Assumpties van multipele lineaire regressie:
1. Lineariteit: er is een lineaire relatie tussen de onafhankelijke variabelen en y
2. Homoscedasticiteit: De residuen zijn normaal verdeeld met een gemiddelde van 0 en
standaarddeviatie σ
a. Kijk naar de scatter plot: de spreiding rondom de regressielijn moet ongeveer
normaal verdeeld zijn
3. Onafhankelijkheid van residuen: de residuen zijn onafhankelijk van de waarde van
voorspellers
a. Kijk naar de residual plot: er moet geen patroon zijn van de residuen rondom de lijn
4. Geen multicollineariteit: de onafhankelijke variabelen zijn niet onderling sterk met elkaar
gecorreleerd
a. Kijk naar een correlatiematrix
b. Kijk naar de VIF (variance inflation factor)
5. Random steekproef
a. Dit moet in het onderzoeksdesign ingebouwd zijn
Assumpties van polynomiale regressie:
1. Lineariteit of curvilineariteit: er is een lineaire of curvilineaire relatie tussen de
onafhankelijke variabelen en y
2. Homoscedasticiteit: de residuen zijn normaal verdeeld met een gemiddelde van 0 en
standaarddeviatie σ
3. Geen multicollineariteit: de onafhankelijke variabelen zijn niet onderling sterk met elkaar
gecorreleerd
Assumpties van logistische regressie:
1. Onafhankelijkheid van residuen: de residuen zijn onafhankelijk van de waarde van
voorspellers
2. Geen multicollineariteit: de onafhankelijke variabelen zijn niet onderling sterk met elkaar
gecorreleerd
3. Lineariteit tussen de onafhankelijke variabelen en de log odds
4. Grote en random steekproef
a. Tenminste n = 10 voor elke onafhankelijke variabele in het model
1. Lineariteit: er is een lineaire relatie tussen x en y
2. Homoscedasticiteit: De residuen zijn normaal verdeeld met een gemiddelde van 0 en
standaarddeviatie σ
a. Kijk naar de scatter plot: de spreiding rondom de regressielijn moet ongeveer
normaal verdeeld zijn
3. Onafhankelijkheid van residuen: de residuen zijn onafhankelijk van de waarde van
voorspeller x
a. Kijk naar de residual plot: er moet geen patroon zijn van de residuen rondom de lijn
4. Random steekproef
a. Dit moet in het onderzoeksdesign ingebouwd zijn
Assumpties van multipele lineaire regressie:
1. Lineariteit: er is een lineaire relatie tussen de onafhankelijke variabelen en y
2. Homoscedasticiteit: De residuen zijn normaal verdeeld met een gemiddelde van 0 en
standaarddeviatie σ
a. Kijk naar de scatter plot: de spreiding rondom de regressielijn moet ongeveer
normaal verdeeld zijn
3. Onafhankelijkheid van residuen: de residuen zijn onafhankelijk van de waarde van
voorspellers
a. Kijk naar de residual plot: er moet geen patroon zijn van de residuen rondom de lijn
4. Geen multicollineariteit: de onafhankelijke variabelen zijn niet onderling sterk met elkaar
gecorreleerd
a. Kijk naar een correlatiematrix
b. Kijk naar de VIF (variance inflation factor)
5. Random steekproef
a. Dit moet in het onderzoeksdesign ingebouwd zijn
Assumpties van polynomiale regressie:
1. Lineariteit of curvilineariteit: er is een lineaire of curvilineaire relatie tussen de
onafhankelijke variabelen en y
2. Homoscedasticiteit: de residuen zijn normaal verdeeld met een gemiddelde van 0 en
standaarddeviatie σ
3. Geen multicollineariteit: de onafhankelijke variabelen zijn niet onderling sterk met elkaar
gecorreleerd
Assumpties van logistische regressie:
1. Onafhankelijkheid van residuen: de residuen zijn onafhankelijk van de waarde van
voorspellers
2. Geen multicollineariteit: de onafhankelijke variabelen zijn niet onderling sterk met elkaar
gecorreleerd
3. Lineariteit tussen de onafhankelijke variabelen en de log odds
4. Grote en random steekproef
a. Tenminste n = 10 voor elke onafhankelijke variabele in het model
