Aantekeningen Grasple VOS
Contents
Multipele Regressie ................................................................................................................................. 2
Meerweg ANOVA .................................................................................................................................... 6
ANCOVA................................................................................................................................................... 9
Herhaalde metingen en Mixed design .................................................................................................. 11
Moderatie en Mediatie ......................................................................................................................... 14
Factoranalyse ........................................................................................................................................ 19
Betrouwbaarheidsanalyse ..................................................................................................................... 22
Grasple SPSS .......................................................................................................................................... 23
Tabellen ................................................................................................................................................. 28
,Multipele Regressie
Voorwaarde multipele regressieanalyse:
- Een voorwaarde voor een multipele regressieanalyse is dat de afhankelijke variabele
minimaal van interval meetniveau is. Als je afhankelijke variabele nominaal of categorisch is,
is het niet mogelijk om lineaire regressie te gebruiken. De onafhankelijke variabele(n)
moet(en) minimaal van interval meetniveau of dichotoom (nominaal met twee categorieën)
zijn.
- Een derde voorwaarde voor een multipele regressieanalyse is dat er lineaire verbanden zijn
tussen de afhankelijke variabele en alle kwantitatieve onafhankelijke variabelen.
Voordat je een (multipele) regressieanalyse uitvoert, moet je controleren op:
- Meetniveaus
- Lineariteit
- Afwezigheid uitschieters
• Afwezigheid van uitschieters X en Y-as
• Afwezigheid multicollineariteit
• Homoscedasticiteit
• Normaal verdeelde residuen
De variabele met de grootste gestandaardiseerde coëfficiënt beta is de belangrijkste predictor.
Residu = Y- Ŷ. Je moet dus eerst de voorspelde score vaststellen. Daarna kan je de geobserveerde
score – de voorspelde score doen.
Om te kunnen bepalen hoeveel procent van de variantie in … verklaard kan worden, moet je naar de
R square kijken en dit keer 100% doen. In dit voorbeeld wordt 4.8% van de variantie in de
afhankelijke variabele agressie verklaard door de onafhankelijke variabele games. Dit betekent dat
95.2% van de variantie niet wordt verklaard door dit model.
Het kwartet van Anscombe beschrijft 4 datasets met allemaal dezelfde statistische eigenschappen.
De variabelen X en Y hebben in alle datasets hetzelfde gemiddelde en dezelfde variantie. Ook is de
correlatie en regressielijn voor alle datasets precies gelijk.
, Standardized residuals: hiermee controleren we of er sprake is van uitschieters in Y-ruimte. Als
vuistregel houden we aan dat de waardes tussen -3.3 en +3.3 moeten liggen. Waardes kleiner dan
-3.3 of groter dan 3.3 duiden op uitschieters.
Mahalanobis distance: hiermee controleren we of er sprake is van uitschieters in X-ruimte. Een
uitschieter in X-ruimte is een extreme score op een predictor of combinatie van predictoren. Als
vuistregel houden we aan dat waardes voor Mahalanobis distance lager moeten zijn dan 10 +
2*(onafhankelijke variabelen). Zo moeten in een onderzoek met 2 onafhankelijke variabelen de
waardes voor Mahalanobis distance lager zijn dan 10+(2*2)=14. Waardes hoger dan deze kritieke
waarde duiden op uitschieters.
Cook’s distance: hiermee controleren we of er sprake is van uitschieters in XY-ruimte. Een uitschieter
in de XY-ruimte is een extreme combinatie van X(-en) en Y-scores. Cook’s distance geeft aan wat de
overall invloed is van een respondent op het model. Als vuistregel houden we aan dat waardes voor
Cook’s distance lager dan 1 moeten zijn. Waardes hoger dan 1 duiden op invloedrijke respondenten
(influential cases).
Belangrijke aspecten bij verwijderen uitschieter:
- Behoort deze participant tot de groep waarover je uitspraken wilt doen? Zo nee, neem de
participant dan niet mee in de analyses.
- Is de extreme waarde van de participant theoretisch mogelijk? Zo nee, neem de participant
dan niet mee in de analyses. Zo ja, draai de analyse dan met en zonder de participant,
rapporteer de resultaten van beide analyses en bespreek eventuele verschillen.
Multicollineariteit: kijkt of de relatie tussen twee of meerdere onafhankelijke variabelen te sterk is
(r>80). Je wilt geen multicollineariteit. Perfecte multicollineariteit betekent dat je onafhankelijke
variabelen perfect gecorreleerd zijn (bijvoorbeeld lengte gemeten in cm’s en inches). Je wilt niet
twee exact dezelfde onafhankelijke variabelen opnemen in je regressieanalyse. In het geval van een
(te) sterke samenhang kun je kiezen voor één van de twee variabelen. Een andere optie is kijken of je
de twee variabelen samen kunt voegen (bijv. met behulp van factoranalyse).
Contents
Multipele Regressie ................................................................................................................................. 2
Meerweg ANOVA .................................................................................................................................... 6
ANCOVA................................................................................................................................................... 9
Herhaalde metingen en Mixed design .................................................................................................. 11
Moderatie en Mediatie ......................................................................................................................... 14
Factoranalyse ........................................................................................................................................ 19
Betrouwbaarheidsanalyse ..................................................................................................................... 22
Grasple SPSS .......................................................................................................................................... 23
Tabellen ................................................................................................................................................. 28
,Multipele Regressie
Voorwaarde multipele regressieanalyse:
- Een voorwaarde voor een multipele regressieanalyse is dat de afhankelijke variabele
minimaal van interval meetniveau is. Als je afhankelijke variabele nominaal of categorisch is,
is het niet mogelijk om lineaire regressie te gebruiken. De onafhankelijke variabele(n)
moet(en) minimaal van interval meetniveau of dichotoom (nominaal met twee categorieën)
zijn.
- Een derde voorwaarde voor een multipele regressieanalyse is dat er lineaire verbanden zijn
tussen de afhankelijke variabele en alle kwantitatieve onafhankelijke variabelen.
Voordat je een (multipele) regressieanalyse uitvoert, moet je controleren op:
- Meetniveaus
- Lineariteit
- Afwezigheid uitschieters
• Afwezigheid van uitschieters X en Y-as
• Afwezigheid multicollineariteit
• Homoscedasticiteit
• Normaal verdeelde residuen
De variabele met de grootste gestandaardiseerde coëfficiënt beta is de belangrijkste predictor.
Residu = Y- Ŷ. Je moet dus eerst de voorspelde score vaststellen. Daarna kan je de geobserveerde
score – de voorspelde score doen.
Om te kunnen bepalen hoeveel procent van de variantie in … verklaard kan worden, moet je naar de
R square kijken en dit keer 100% doen. In dit voorbeeld wordt 4.8% van de variantie in de
afhankelijke variabele agressie verklaard door de onafhankelijke variabele games. Dit betekent dat
95.2% van de variantie niet wordt verklaard door dit model.
Het kwartet van Anscombe beschrijft 4 datasets met allemaal dezelfde statistische eigenschappen.
De variabelen X en Y hebben in alle datasets hetzelfde gemiddelde en dezelfde variantie. Ook is de
correlatie en regressielijn voor alle datasets precies gelijk.
, Standardized residuals: hiermee controleren we of er sprake is van uitschieters in Y-ruimte. Als
vuistregel houden we aan dat de waardes tussen -3.3 en +3.3 moeten liggen. Waardes kleiner dan
-3.3 of groter dan 3.3 duiden op uitschieters.
Mahalanobis distance: hiermee controleren we of er sprake is van uitschieters in X-ruimte. Een
uitschieter in X-ruimte is een extreme score op een predictor of combinatie van predictoren. Als
vuistregel houden we aan dat waardes voor Mahalanobis distance lager moeten zijn dan 10 +
2*(onafhankelijke variabelen). Zo moeten in een onderzoek met 2 onafhankelijke variabelen de
waardes voor Mahalanobis distance lager zijn dan 10+(2*2)=14. Waardes hoger dan deze kritieke
waarde duiden op uitschieters.
Cook’s distance: hiermee controleren we of er sprake is van uitschieters in XY-ruimte. Een uitschieter
in de XY-ruimte is een extreme combinatie van X(-en) en Y-scores. Cook’s distance geeft aan wat de
overall invloed is van een respondent op het model. Als vuistregel houden we aan dat waardes voor
Cook’s distance lager dan 1 moeten zijn. Waardes hoger dan 1 duiden op invloedrijke respondenten
(influential cases).
Belangrijke aspecten bij verwijderen uitschieter:
- Behoort deze participant tot de groep waarover je uitspraken wilt doen? Zo nee, neem de
participant dan niet mee in de analyses.
- Is de extreme waarde van de participant theoretisch mogelijk? Zo nee, neem de participant
dan niet mee in de analyses. Zo ja, draai de analyse dan met en zonder de participant,
rapporteer de resultaten van beide analyses en bespreek eventuele verschillen.
Multicollineariteit: kijkt of de relatie tussen twee of meerdere onafhankelijke variabelen te sterk is
(r>80). Je wilt geen multicollineariteit. Perfecte multicollineariteit betekent dat je onafhankelijke
variabelen perfect gecorreleerd zijn (bijvoorbeeld lengte gemeten in cm’s en inches). Je wilt niet
twee exact dezelfde onafhankelijke variabelen opnemen in je regressieanalyse. In het geval van een
(te) sterke samenhang kun je kiezen voor één van de twee variabelen. Een andere optie is kijken of je
de twee variabelen samen kunt voegen (bijv. met behulp van factoranalyse).
