t(df=N-p-1, maar ook residual). bij toevoegen covariaat dus nog een extra df er af!
F(df=regression, residual)
Multiple regressie analyse: Analyze → regression → linear
Linear regression analyses: Analyze → regression → linear regression → 1 y en rest allemaal x
toevoegen. Plus collinearity diagnostics. Kijk voor sample size naar Total: dan deze N plus 1. Voor
multicolleniariteit: kijk naar table coefficients: we willen dat tolerance >.01 is en VIF <10. Indien dit is,
geen sprake van multicoll tussen predictoren.
Bij MRA, wat is de sample size?
Analyze → correlate → bivariate. Dan alles naar rechts slepen behalve bijvoorbeeld
participant ID. Vink Pearson aan voor de correlatie.
Logisch om een lineaire regressie uit te voeren? Ja, IQ van kind is waarschijnlijk gerelateerd
aan cijfer.
Welke variabele is een goede predictor voor GPA: de predictor met de hoogste correlatie
met GPA.
Lineaire regressie op GPA met …., eerste y en
anderen x.
Analyze → regression → linear. Vragen ze om
Cooks, leverage, part and partial en
colliniariteit?
Kan de H0 hypothese van geen relatie worden
afgewezen? Kijk naar de ANOVA tabel. Dus de
H0 kan worden verworden, want F(5, 73)=23.119, p<.001
Hoeveel variantie van GPA verklaard door onafh variabelen samen? Dus door hele model. R2
Hoeveel uniek verklaard door elke predictor: kijk naar part. Part2=unieke verklaarde
variantie van een predictor
Is er multicollineariteit:
Geen mult als : tolerance > .1 en als VIF < 10
Uitbijters:
Std residual I<3I. Anders uitbijters residue.
Cook: max1. Is 7.918, dus invloedrijke punten
Leverage: willen kleiner dan 3(p+1)/N, in dit
geval 3(5)/78=0,192. De gevonden leverage is
groter, dus uitbijters op een of meer predictoren.
Je kan ascending gebruiken om uitbuiter te
vinden.
,Data → select cases → if condition is
satisfied → age < 31. Want 31 was hoogste
leeftijd.
Dan kan je de analyses opnieuw doen.
De ANOVA is sign, H0 nogsteeds
verwerpen. F(3, 73)=31.093 (hogere F dan
voor uitbijter er uit halen). P<.001
Nu zie je dat age niet sign is p=.871. nu age
(niet sign) predictor niet meenemen
Plots: vink aan normal probability plot en
ZPRED→ y en ZRESID → x. Uniek
verklaarde variantie part en partial correlations.
Geen sprake van non-lineariteit. Geen curve.
Lineaire lijn beschrijft data het best.
Normaal verdeeld: normal p-p plot: punten op lijn?
Ja.
Sprake van heteroscedasticiteit? Ja, meer
datapunten rechts. veel variantie links en weinig
variantie rechts.
Interpreteren: gender female = 0 en man =1. Coeff
gender is -7.479. vrouw hoog voorspelde gpa
,Sample size is total+1 is 200.
Test non-lineariteit, , heteroscedasticity or non-
normality van 1 predictor. Analyze → regression →
linear. Voeg deze predictor toe.
Plots: vink normal probability plot aan. ZPRED→ y
en ZRESID → x
Scatterplot: aanname non-lin niet geschonden. Bij
scatter geeft lineaire lijn de relatie het beste weer.
Ook aanname homosc niet geschonden, afstand
bolletjes ongeveer even groot.
Normaliteit: normal p-p plot. De punten liggen
redelijk dicht op lijn (is nooit perfect). Wel wat
afwijking, maar wel in orde. Dus derde aanname
ook niet geschonden.
, Kan H0 geen relatie worden aangenomen? Nee, F(1, 198)=87.629 en p<.001. er is een relatie
tussen self-efficiency en locus of control.
Y=2.358x.791loc
Nu voegen we nog een predictor toe
in een nieuw blok. Hierarchische
regressie: Analyze → regression → linear. Voeg in blok 2 neuroticism toe. Stistics vraag om
R2change. Vraag ook part en partial. Moet ook weer aannames checken dus laat de rest
staan.
Verbetert het toevoegen van de predictor neuroticism het model? Kijk naar model summary.
Dus kijk naar change statistics. Eerste model: R=.307. bij model 2 R2=.305. Dus door
toevoegen van neuroticism wordt 30.5% extra verklaard. Nu in totaal R2=.612. F(1,
197)=154.549 en p<.001. Super significant.
Scatterplot: aanname non-lin niet geschonden. Bij scatter geeft lineaire horizontale lijn de
relatie het beste weer. Ook aanname homosc niet geschonden, afstand bolletjes ongeveer even
groot.
Normaliteit: normal p-p plot. De punten wijken wel wat af van de lijn (is nooit perfect). Wel
in orde. Dus derde aanname ook niet geschonden.
F(df=regression, residual)
Multiple regressie analyse: Analyze → regression → linear
Linear regression analyses: Analyze → regression → linear regression → 1 y en rest allemaal x
toevoegen. Plus collinearity diagnostics. Kijk voor sample size naar Total: dan deze N plus 1. Voor
multicolleniariteit: kijk naar table coefficients: we willen dat tolerance >.01 is en VIF <10. Indien dit is,
geen sprake van multicoll tussen predictoren.
Bij MRA, wat is de sample size?
Analyze → correlate → bivariate. Dan alles naar rechts slepen behalve bijvoorbeeld
participant ID. Vink Pearson aan voor de correlatie.
Logisch om een lineaire regressie uit te voeren? Ja, IQ van kind is waarschijnlijk gerelateerd
aan cijfer.
Welke variabele is een goede predictor voor GPA: de predictor met de hoogste correlatie
met GPA.
Lineaire regressie op GPA met …., eerste y en
anderen x.
Analyze → regression → linear. Vragen ze om
Cooks, leverage, part and partial en
colliniariteit?
Kan de H0 hypothese van geen relatie worden
afgewezen? Kijk naar de ANOVA tabel. Dus de
H0 kan worden verworden, want F(5, 73)=23.119, p<.001
Hoeveel variantie van GPA verklaard door onafh variabelen samen? Dus door hele model. R2
Hoeveel uniek verklaard door elke predictor: kijk naar part. Part2=unieke verklaarde
variantie van een predictor
Is er multicollineariteit:
Geen mult als : tolerance > .1 en als VIF < 10
Uitbijters:
Std residual I<3I. Anders uitbijters residue.
Cook: max1. Is 7.918, dus invloedrijke punten
Leverage: willen kleiner dan 3(p+1)/N, in dit
geval 3(5)/78=0,192. De gevonden leverage is
groter, dus uitbijters op een of meer predictoren.
Je kan ascending gebruiken om uitbuiter te
vinden.
,Data → select cases → if condition is
satisfied → age < 31. Want 31 was hoogste
leeftijd.
Dan kan je de analyses opnieuw doen.
De ANOVA is sign, H0 nogsteeds
verwerpen. F(3, 73)=31.093 (hogere F dan
voor uitbijter er uit halen). P<.001
Nu zie je dat age niet sign is p=.871. nu age
(niet sign) predictor niet meenemen
Plots: vink aan normal probability plot en
ZPRED→ y en ZRESID → x. Uniek
verklaarde variantie part en partial correlations.
Geen sprake van non-lineariteit. Geen curve.
Lineaire lijn beschrijft data het best.
Normaal verdeeld: normal p-p plot: punten op lijn?
Ja.
Sprake van heteroscedasticiteit? Ja, meer
datapunten rechts. veel variantie links en weinig
variantie rechts.
Interpreteren: gender female = 0 en man =1. Coeff
gender is -7.479. vrouw hoog voorspelde gpa
,Sample size is total+1 is 200.
Test non-lineariteit, , heteroscedasticity or non-
normality van 1 predictor. Analyze → regression →
linear. Voeg deze predictor toe.
Plots: vink normal probability plot aan. ZPRED→ y
en ZRESID → x
Scatterplot: aanname non-lin niet geschonden. Bij
scatter geeft lineaire lijn de relatie het beste weer.
Ook aanname homosc niet geschonden, afstand
bolletjes ongeveer even groot.
Normaliteit: normal p-p plot. De punten liggen
redelijk dicht op lijn (is nooit perfect). Wel wat
afwijking, maar wel in orde. Dus derde aanname
ook niet geschonden.
, Kan H0 geen relatie worden aangenomen? Nee, F(1, 198)=87.629 en p<.001. er is een relatie
tussen self-efficiency en locus of control.
Y=2.358x.791loc
Nu voegen we nog een predictor toe
in een nieuw blok. Hierarchische
regressie: Analyze → regression → linear. Voeg in blok 2 neuroticism toe. Stistics vraag om
R2change. Vraag ook part en partial. Moet ook weer aannames checken dus laat de rest
staan.
Verbetert het toevoegen van de predictor neuroticism het model? Kijk naar model summary.
Dus kijk naar change statistics. Eerste model: R=.307. bij model 2 R2=.305. Dus door
toevoegen van neuroticism wordt 30.5% extra verklaard. Nu in totaal R2=.612. F(1,
197)=154.549 en p<.001. Super significant.
Scatterplot: aanname non-lin niet geschonden. Bij scatter geeft lineaire horizontale lijn de
relatie het beste weer. Ook aanname homosc niet geschonden, afstand bolletjes ongeveer even
groot.
Normaliteit: normal p-p plot. De punten wijken wel wat af van de lijn (is nooit perfect). Wel
in orde. Dus derde aanname ook niet geschonden.
