MULTIPELE REGRESSIE
Ø Het voorspellen van een afhankelijke variabele Y uit meerdere onafhankelijke variabelen
1. Missings
- Draai frequentietabellen en kijk naar het percentage missings.
- Kleiner dan 5% > invullen met het gemiddelde (descriptives)
RECODE Tijd_buiten (MISSING=3.83) (ELSE=Copy) INTO Tijd_buiten_R.VARIABLE LABELS
Tijd_buiten_R'Indicatorscore tijd buiten -missings gehercodeerd naar gemiddelde'. EXECUTE.
- Groter dan 5% > Missing Value Analysis / Maximum Likelihood Procedure
DATASET DECLARE EMjongensmva.
MVA
VARIABLES = v13 v15 v54 v62 v65 v70 v71 v78 v12a v18 v20a v64 v67 v68
/MAXCAT = 25 (geen van de categorische variabelen heeft meer dan 25 categorieën)
/CATEGORICAL = v12a v18 v20a v64 v67 v68 (doen niet mee bij het schatten)
/TTEST PROB PERCENT=5
/MPATTERN DESCRIBE=v13 (is de variabele met missende waarden)
/EM (TOLERANCE=0.001 CONVERGENCE=0.0001 ITERATIONS=25
OUTFILE=EMjongensmva).
Analyze > Missing Value Analysis > kwantitatieve variabelen en kwalitatieve variabelen selecteren in
bijbehorend veld >
> Patterns: Cases with missing values, sorted by missing value patterns + Sort variables by
missing value pattern + Additional information for [variabele met missings]
> Descriptives: Univariate statistics + t test with groups formed.by indicator variables +
Include probabilities in table + 5% of cases
> Estimation: EM
> EM: Distribution normal + Maximum Iterations 25 + Save completed data + Create a new
dataset
> Maximum categories: 25
o Kijk naar de Separate Variance t Tests.
§ Als deze geen significantie aangeeft mag worden geconcludeerd dat het
patroon van ontbrekende gegevens in de variabele in ieder geval MAR of
MCAR is.
• Als de Little’s test (EM correlations) niet significant is, is het MCAR en
kan geimputeerde waarde gebruikt worden. Anders alleen MAR.
§ Als deze wel significant is vormen de respondenten die het wel hebben
ingevuld geen representatieve steekproef en is het dus MNAR.
o Vanaf nu het nieuwe bestand gebruiken (dat is geopend met benoemde syntax),
waarin de geïmputeerde waarden voor v13 staan.
2. Y normaal verdeeld?
- Selecteer in het bestand de respondenten waar je de correlaties voor wil draaien,
bijvoorbeeld ten minste één delict gepleegd.
USE ALL.
COMPUTE filter_$=(v78 > 0).
FILTER BY filter_$.
, EXECUTE.
Data > Select cases. > Select if condition is satisfied > Filter out unselected cases
> If: bijvoorbeeld v78 > 0
> Check of in dataset cases zijn doorgestreept
- Bij voorkeur benadert Y een normaalverdeling, zo niet dan is mogelijk ook aan assumptie 4
niet voldaan (normale verdeling errortermen)
GRAPH
/HISTOGRAM (NORMAL)=v78
Graphs > Legacy Dialogs > Histogram
> Variable [afhankelijke variabele]
> Display normal curve
- Mogelijkheden bij scheve verdeling:
o Waarden transformeren (wortel of log)
§ Als er bijvoorbeeld sprake is van een rechts scheve verdeling kunnen we een
logaritmische transformatie uitvoeren op de afhankelijke variabele v78 en
die opslaan onder een nieuwe variabele v80.
COMPUTE v80 = LG10(v78)
EXECUTE.
Transform > Compute variable
> Target variable: [naam nieuwe variabele]
> Function group: Arithmic
> Functions and special variables: Lg10
> LG10(?) > LG(v78)
o Gewone regressie-analyse gebruiken en kijken of het problemen oplevert
§ Dan andere regressie-analyse gebruiken (bijv. logistisch)
3. Correlaties
- Selecteer in het bestand de respondenten waar je de correlaties voor wil draaien,
bijvoorbeeld ten minste één delict gepleegd.
USE ALL.
COMPUTE filter_$=(v78 > 0).
FILTER BY filter_$.
EXECUTE.
- Draai daarna de bivariate samenhang tussen de afhankelijke variabele en de onafhankelijke.
CORRELATIONS
/VARIABLES=v12a v13 v15 v18 v20a v54 v62 v64 v65 v67 v68 v70 v71 with v80
/PRINT=TWOTAIL NOSIG.
Analyze > Correlate > Bivariate
> Toevoegen variabelen
> Pearson + Two-tailed + Flag significant correlations
> Voeg “with” aan syntax toe om correlaties tussen afhankelijke en onafhankelijke te draaien
- Welke X hangt sterk samen met Y?
- Welke X hangt sterk samen met andere X? > Multicollineariteit
Ø Het voorspellen van een afhankelijke variabele Y uit meerdere onafhankelijke variabelen
1. Missings
- Draai frequentietabellen en kijk naar het percentage missings.
- Kleiner dan 5% > invullen met het gemiddelde (descriptives)
RECODE Tijd_buiten (MISSING=3.83) (ELSE=Copy) INTO Tijd_buiten_R.VARIABLE LABELS
Tijd_buiten_R'Indicatorscore tijd buiten -missings gehercodeerd naar gemiddelde'. EXECUTE.
- Groter dan 5% > Missing Value Analysis / Maximum Likelihood Procedure
DATASET DECLARE EMjongensmva.
MVA
VARIABLES = v13 v15 v54 v62 v65 v70 v71 v78 v12a v18 v20a v64 v67 v68
/MAXCAT = 25 (geen van de categorische variabelen heeft meer dan 25 categorieën)
/CATEGORICAL = v12a v18 v20a v64 v67 v68 (doen niet mee bij het schatten)
/TTEST PROB PERCENT=5
/MPATTERN DESCRIBE=v13 (is de variabele met missende waarden)
/EM (TOLERANCE=0.001 CONVERGENCE=0.0001 ITERATIONS=25
OUTFILE=EMjongensmva).
Analyze > Missing Value Analysis > kwantitatieve variabelen en kwalitatieve variabelen selecteren in
bijbehorend veld >
> Patterns: Cases with missing values, sorted by missing value patterns + Sort variables by
missing value pattern + Additional information for [variabele met missings]
> Descriptives: Univariate statistics + t test with groups formed.by indicator variables +
Include probabilities in table + 5% of cases
> Estimation: EM
> EM: Distribution normal + Maximum Iterations 25 + Save completed data + Create a new
dataset
> Maximum categories: 25
o Kijk naar de Separate Variance t Tests.
§ Als deze geen significantie aangeeft mag worden geconcludeerd dat het
patroon van ontbrekende gegevens in de variabele in ieder geval MAR of
MCAR is.
• Als de Little’s test (EM correlations) niet significant is, is het MCAR en
kan geimputeerde waarde gebruikt worden. Anders alleen MAR.
§ Als deze wel significant is vormen de respondenten die het wel hebben
ingevuld geen representatieve steekproef en is het dus MNAR.
o Vanaf nu het nieuwe bestand gebruiken (dat is geopend met benoemde syntax),
waarin de geïmputeerde waarden voor v13 staan.
2. Y normaal verdeeld?
- Selecteer in het bestand de respondenten waar je de correlaties voor wil draaien,
bijvoorbeeld ten minste één delict gepleegd.
USE ALL.
COMPUTE filter_$=(v78 > 0).
FILTER BY filter_$.
, EXECUTE.
Data > Select cases. > Select if condition is satisfied > Filter out unselected cases
> If: bijvoorbeeld v78 > 0
> Check of in dataset cases zijn doorgestreept
- Bij voorkeur benadert Y een normaalverdeling, zo niet dan is mogelijk ook aan assumptie 4
niet voldaan (normale verdeling errortermen)
GRAPH
/HISTOGRAM (NORMAL)=v78
Graphs > Legacy Dialogs > Histogram
> Variable [afhankelijke variabele]
> Display normal curve
- Mogelijkheden bij scheve verdeling:
o Waarden transformeren (wortel of log)
§ Als er bijvoorbeeld sprake is van een rechts scheve verdeling kunnen we een
logaritmische transformatie uitvoeren op de afhankelijke variabele v78 en
die opslaan onder een nieuwe variabele v80.
COMPUTE v80 = LG10(v78)
EXECUTE.
Transform > Compute variable
> Target variable: [naam nieuwe variabele]
> Function group: Arithmic
> Functions and special variables: Lg10
> LG10(?) > LG(v78)
o Gewone regressie-analyse gebruiken en kijken of het problemen oplevert
§ Dan andere regressie-analyse gebruiken (bijv. logistisch)
3. Correlaties
- Selecteer in het bestand de respondenten waar je de correlaties voor wil draaien,
bijvoorbeeld ten minste één delict gepleegd.
USE ALL.
COMPUTE filter_$=(v78 > 0).
FILTER BY filter_$.
EXECUTE.
- Draai daarna de bivariate samenhang tussen de afhankelijke variabele en de onafhankelijke.
CORRELATIONS
/VARIABLES=v12a v13 v15 v18 v20a v54 v62 v64 v65 v67 v68 v70 v71 with v80
/PRINT=TWOTAIL NOSIG.
Analyze > Correlate > Bivariate
> Toevoegen variabelen
> Pearson + Two-tailed + Flag significant correlations
> Voeg “with” aan syntax toe om correlaties tussen afhankelijke en onafhankelijke te draaien
- Welke X hangt sterk samen met Y?
- Welke X hangt sterk samen met andere X? > Multicollineariteit
