Samenvatting lectures MTO-C-MAW: technieken voor Causale Analyse
MTO-C-MAW
Technieken voor causale analyse
Lecture 1 (+2 +3) Course intro; ANOVA 2
Lecture 3 (+4) Bivariate Pearson Correlation 17
Lecture 4 (+5) Bivariate Regression 27
Lecture 6: Adding a third variable 41
Lecture 7: Multiple regression - 2 predictors 49
Lecture 8: Dummy predictor variables 62
Lecture 9 (+10): Multiple Regression 69
Lecture 11: Pad-analyse (I) 87
Lecture 12: Pad-analyse (II) 95
Lecture 13: Logistische regressie (I) Error! Bookmark not defined.
Lecture 14: Logistische regressie (II) Error! Bookmark not defined.
1
, Samenvatting lectures MTO-C-MAW: technieken voor Causale Analyse
Lecture 1 (+2 +3) Course intro; ANOVA
Deze cursus: mbv statistische technieken causale hypothesen toetsen
TECHNIEKEN VAN DEZE CURSUS
1. One-Way Between-Subjects Analysis of Variance (ANOVA)
2. Estimation of Pearson’s (Partial) Correlation Coefficient
3. Bivariate Regression
4. Multiple Regression
5. Elaboration Logic
6. Path Analysis
7. Logistic Regression Analysis
→ Gemeenschappelijkheden:
Schatten hoeveel van de variantie in een afhankelijke variabele Y systematisch samenhangt
(co-varieert) met de variantie in andere verklarende variabelen X;
technieken nemen aan dat scores op een afhankelijke variabele kunnen worden
voorspeld/verklaard door 3 factoren:
a) X variabelen die zijn gemeten (in bv vragenlijst) en die als predictor (verklarende) zijn
opgenomen in een model waarin zij de afhankelijke variabele systematisch beïnvloeden
b) ε systematische error/residu: Variabelen die niet zijn gemeten en die niet als predictor
zijn opgenomen in een model, maar die de afhankelijke variabele wel systematisch
beïnvloeden (ε)
c) Random error/residu: Variabelen die we niet hebben gemeten en die de afhankelijke
variabele alleen toevallig beïnvloeden (ook ε)
Y = afhankelijke variabele
X = gemeten factoren die afhankelijke variabele beïnvloeden
ε = allemaal andere factoren die we niet hebben gemeten maar wel y (mogelijk) beinvloeden
ZE VERSCHILLEN BETREFT:
(a) het meetniveau van de afhankelijke variabelen → meetniveau van afhankelijke bepaald in
grote mate welke statistische techniek je kunt toepassen
- Nominaal → ongeordende categorieën (geslacht, huwelijksstatus, land waarin je
woont,..) Geen ordening
- Ordinaal → nominaal, maar met ranking (bv opleidingsniveau laag/middel/hoog - maar
afstand = ?)
- Interval → ordinaal, maar afstanden tussen categorieën is hetzelfde (bv temperatuur)
- Ratio → Nulpunt aanwezig (0 = afwezigheid van eigenschap, bv inkomen)
2
, Samenvatting lectures MTO-C-MAW: technieken voor Causale Analyse
(b) het meetniveau van de verklarende variabelen
Ideaal: technieken die nominale en continue variabelen kunnen opnemen in model voor
algemeenheid, maar niet altijd mogelijk.
(c) het aantal variabelen die de techniek aankan (complexiteit van de theorie)
COMPLEXITEIT VAN SAMENHANG
→ MODELLEN VOOR CONTINUE AFHANKELIJKE VARIABELEN
One-Way Between-Subjects Analysis of Variance
Onafhankelijke: meetniveau categorisch
Afhankelijke: meetniveau continue
Moet bij variantieanalyse voor het berekenen van gemiddelden (alleen mogelijk met continue)
!! X variabele = onafhankelijke variabele = verklarende variabele = predictor
Bivariate regressieanalyse
Onafhankelijke: meetniveau categorisch
Afhankelijke: meetniveau continue
Conceptueel model = hetzelfde als eenwegs variantie analyse
Sterk aan elkaar gerelateerd. Je kunt dezelfde hypothese toetsen
Multipele regressieanalyse
Onafhankelijke variabele team (X1) voorspelt organisational commitment (Y), maar salaris (X2)
ook
Maar… Invloed van salaris (X2) op organisational commitment (Y) is conditioneel. Aangenomen
dat invloed van salaris op organisational commitment (Y) verschilt tussen mannen en vrouwen
(X3)
Gerichte pijl: indiceert EFFECT
Tweegerichte pijlen: indiceert CORRELATIE
3
, Samenvatting lectures MTO-C-MAW: technieken voor Causale Analyse
Padanalyse
Meerdere afhankelijke variabelen die onderling gerelateerd kunnen zijn
Organisational commitment en salaris worden hierin verklaart
(eenzijdig gerichte pijl vanuit X1 en X3 op X2)
⇒ salaris is afhankelijke variabele, maar ook een verklarende
→ MODELLEN VOOR CATEGORISCHE AFHANKELIJKE VARIABELEN (2 categorieen)
Bivariate (binaire) logistische regressieanalyse
Multipele (binaire) logistische regressieanalyse
Interactie-effect
SAMENVATTENDE TABEL
4
MTO-C-MAW
Technieken voor causale analyse
Lecture 1 (+2 +3) Course intro; ANOVA 2
Lecture 3 (+4) Bivariate Pearson Correlation 17
Lecture 4 (+5) Bivariate Regression 27
Lecture 6: Adding a third variable 41
Lecture 7: Multiple regression - 2 predictors 49
Lecture 8: Dummy predictor variables 62
Lecture 9 (+10): Multiple Regression 69
Lecture 11: Pad-analyse (I) 87
Lecture 12: Pad-analyse (II) 95
Lecture 13: Logistische regressie (I) Error! Bookmark not defined.
Lecture 14: Logistische regressie (II) Error! Bookmark not defined.
1
, Samenvatting lectures MTO-C-MAW: technieken voor Causale Analyse
Lecture 1 (+2 +3) Course intro; ANOVA
Deze cursus: mbv statistische technieken causale hypothesen toetsen
TECHNIEKEN VAN DEZE CURSUS
1. One-Way Between-Subjects Analysis of Variance (ANOVA)
2. Estimation of Pearson’s (Partial) Correlation Coefficient
3. Bivariate Regression
4. Multiple Regression
5. Elaboration Logic
6. Path Analysis
7. Logistic Regression Analysis
→ Gemeenschappelijkheden:
Schatten hoeveel van de variantie in een afhankelijke variabele Y systematisch samenhangt
(co-varieert) met de variantie in andere verklarende variabelen X;
technieken nemen aan dat scores op een afhankelijke variabele kunnen worden
voorspeld/verklaard door 3 factoren:
a) X variabelen die zijn gemeten (in bv vragenlijst) en die als predictor (verklarende) zijn
opgenomen in een model waarin zij de afhankelijke variabele systematisch beïnvloeden
b) ε systematische error/residu: Variabelen die niet zijn gemeten en die niet als predictor
zijn opgenomen in een model, maar die de afhankelijke variabele wel systematisch
beïnvloeden (ε)
c) Random error/residu: Variabelen die we niet hebben gemeten en die de afhankelijke
variabele alleen toevallig beïnvloeden (ook ε)
Y = afhankelijke variabele
X = gemeten factoren die afhankelijke variabele beïnvloeden
ε = allemaal andere factoren die we niet hebben gemeten maar wel y (mogelijk) beinvloeden
ZE VERSCHILLEN BETREFT:
(a) het meetniveau van de afhankelijke variabelen → meetniveau van afhankelijke bepaald in
grote mate welke statistische techniek je kunt toepassen
- Nominaal → ongeordende categorieën (geslacht, huwelijksstatus, land waarin je
woont,..) Geen ordening
- Ordinaal → nominaal, maar met ranking (bv opleidingsniveau laag/middel/hoog - maar
afstand = ?)
- Interval → ordinaal, maar afstanden tussen categorieën is hetzelfde (bv temperatuur)
- Ratio → Nulpunt aanwezig (0 = afwezigheid van eigenschap, bv inkomen)
2
, Samenvatting lectures MTO-C-MAW: technieken voor Causale Analyse
(b) het meetniveau van de verklarende variabelen
Ideaal: technieken die nominale en continue variabelen kunnen opnemen in model voor
algemeenheid, maar niet altijd mogelijk.
(c) het aantal variabelen die de techniek aankan (complexiteit van de theorie)
COMPLEXITEIT VAN SAMENHANG
→ MODELLEN VOOR CONTINUE AFHANKELIJKE VARIABELEN
One-Way Between-Subjects Analysis of Variance
Onafhankelijke: meetniveau categorisch
Afhankelijke: meetniveau continue
Moet bij variantieanalyse voor het berekenen van gemiddelden (alleen mogelijk met continue)
!! X variabele = onafhankelijke variabele = verklarende variabele = predictor
Bivariate regressieanalyse
Onafhankelijke: meetniveau categorisch
Afhankelijke: meetniveau continue
Conceptueel model = hetzelfde als eenwegs variantie analyse
Sterk aan elkaar gerelateerd. Je kunt dezelfde hypothese toetsen
Multipele regressieanalyse
Onafhankelijke variabele team (X1) voorspelt organisational commitment (Y), maar salaris (X2)
ook
Maar… Invloed van salaris (X2) op organisational commitment (Y) is conditioneel. Aangenomen
dat invloed van salaris op organisational commitment (Y) verschilt tussen mannen en vrouwen
(X3)
Gerichte pijl: indiceert EFFECT
Tweegerichte pijlen: indiceert CORRELATIE
3
, Samenvatting lectures MTO-C-MAW: technieken voor Causale Analyse
Padanalyse
Meerdere afhankelijke variabelen die onderling gerelateerd kunnen zijn
Organisational commitment en salaris worden hierin verklaart
(eenzijdig gerichte pijl vanuit X1 en X3 op X2)
⇒ salaris is afhankelijke variabele, maar ook een verklarende
→ MODELLEN VOOR CATEGORISCHE AFHANKELIJKE VARIABELEN (2 categorieen)
Bivariate (binaire) logistische regressieanalyse
Multipele (binaire) logistische regressieanalyse
Interactie-effect
SAMENVATTENDE TABEL
4
