SPSS practica
practicum 1 Padanalyse
Assignment 1 padcoëfficiënten schatten
je moet het padmodel scheiden wil je een regressieanalyse uit
kunnen voeren
1. bepaal hoeveel regressievergelijkingen je uit het
padmodel moet halen (kijk hoeveel pijlen van een
onafhankelijke naar afhankelijke variabele zijn: hier dus
2)
2. kijk voor jezelf welke regressievergelijkingen je opstelt:
- Y2 = a2 + b21 * Y1 + e2
dus: constante + regressiecoëfficiënt + error. We betrekken hier Y5 niet erbij
omdat er botsende pijlen zijn (tracing rule). Met elke verandering van 1 in Y1,
gaat Y2 met b21 omhoog
- Y5 = a5 + b51 * Y1 + B25 * Y2 + e5
dus: directe effect + indirecte effect + error
Ofwel: Y5 = a5 + b51 * Y1 + B25 * (a2 + b21 * Y1 + e2) + e5, want dat is Y2
3. Voer een regressieanalyse uit: analyze regression lineair aflezen in
coefficients
Er wordt in dit geval gevraagd om B51 dus we gebruiken Y5 als afhankelijke
variabele en Y1 en Y2 als onafhankelijke variabelen.
een voorbeeld van de syntax:
voor de andere regressievergelijking doen we hetzelfde, maar is in plaats van Y5
nu Y1 de onafhankelijke variabele (dus gaan Y5 en Y2 in de afhankelijke box)
4. kijk naar de p-waarde: deze is af te lezen in het zelfde rijtje als B onder “sig.”
5. geen een interpretatie aan de gevonden effecten (van Y1 op Y5)
Kijk naar de resultaten (van in dit geval B51), zijn deze significant? (in dit geval is
er enkel een indirect effect van self-efficacy)
Assignment 2
1. bepaal hoeveel regressieanalyses je
moet uitvoeren a.d.h.v. het padmodel
(hier 5)
, 2. wat zijn de verwachte gestandaardiseerde padcoëfficiënten (beta) van de paden?
- deze lees je af onder beta in de coëfficiënts tabel (want gestandaardiseerd)
- stel de regressievergelijkingen op:
Y2 = a2 + A * Y1 + e2
Y3 = a3 + B * Y1 + e3
Y4 = a4 + C * Y2 + D * Y3 + E4
Y5 = a5 + E * Y2 + e5
Y6 = a6 + F * Y4 + e6
- kijk naar wat de dependent en indipendent variabelen zijn per vergelijking:
D: Y2 I:Y1
D: Y3 I:Y1
D: Y4 I: Y2 en Y3
D: Y5 I:Y2
D: Y6 I: Y4
- je gaat weer de regressieanalyse uitvoeren: analyze regression lineair
en je doet dit voor Y1 t/m Y6
- kijk nu naar coefficients en naar beta
let wel op: als je 2 onafhankelijke (independent) variabelen hebt, heb je
meestal de bovenste coëfficiënt nodig bij de eerste vraag en de tweede bij de
volgende vraag (kijk anders naar het model)
Practicum 2 PCA en factoranalyse
Assignment 1
1. haal onmogelijke waarden uit de data:
- in dit geval cijfers onder 1 en boven 9
- analyze descirptive statistics descriptives (let op dat je de afhankelijke
variabelen opvraagt, dus de gemeten)
- kijk naar de gemiddelden, standaard deviaties en de minimum en maximum
per variabele
- als je onmogelijke scores vindt, verwijder ze dan zodat het een “missing
value” wordt
2. welke analyse gebruik je wanneer?
- CFA: checken of modellen met factoren toepasbaar zijn (stand houden) bij
verschillende doelgroepen of in een nieuwe steekproef binnen dezelfde groep
- PCA: samenvatten van data en correlaties tot minder meer overzichtelijke
data
- EFA: kijken of en welke indicatoren beïnvloedt worden door dezelfde latente
variabele (factor) causatie
- pad analyse: testen van causale (directe en indirecte) effecten
practicum 1 Padanalyse
Assignment 1 padcoëfficiënten schatten
je moet het padmodel scheiden wil je een regressieanalyse uit
kunnen voeren
1. bepaal hoeveel regressievergelijkingen je uit het
padmodel moet halen (kijk hoeveel pijlen van een
onafhankelijke naar afhankelijke variabele zijn: hier dus
2)
2. kijk voor jezelf welke regressievergelijkingen je opstelt:
- Y2 = a2 + b21 * Y1 + e2
dus: constante + regressiecoëfficiënt + error. We betrekken hier Y5 niet erbij
omdat er botsende pijlen zijn (tracing rule). Met elke verandering van 1 in Y1,
gaat Y2 met b21 omhoog
- Y5 = a5 + b51 * Y1 + B25 * Y2 + e5
dus: directe effect + indirecte effect + error
Ofwel: Y5 = a5 + b51 * Y1 + B25 * (a2 + b21 * Y1 + e2) + e5, want dat is Y2
3. Voer een regressieanalyse uit: analyze regression lineair aflezen in
coefficients
Er wordt in dit geval gevraagd om B51 dus we gebruiken Y5 als afhankelijke
variabele en Y1 en Y2 als onafhankelijke variabelen.
een voorbeeld van de syntax:
voor de andere regressievergelijking doen we hetzelfde, maar is in plaats van Y5
nu Y1 de onafhankelijke variabele (dus gaan Y5 en Y2 in de afhankelijke box)
4. kijk naar de p-waarde: deze is af te lezen in het zelfde rijtje als B onder “sig.”
5. geen een interpretatie aan de gevonden effecten (van Y1 op Y5)
Kijk naar de resultaten (van in dit geval B51), zijn deze significant? (in dit geval is
er enkel een indirect effect van self-efficacy)
Assignment 2
1. bepaal hoeveel regressieanalyses je
moet uitvoeren a.d.h.v. het padmodel
(hier 5)
, 2. wat zijn de verwachte gestandaardiseerde padcoëfficiënten (beta) van de paden?
- deze lees je af onder beta in de coëfficiënts tabel (want gestandaardiseerd)
- stel de regressievergelijkingen op:
Y2 = a2 + A * Y1 + e2
Y3 = a3 + B * Y1 + e3
Y4 = a4 + C * Y2 + D * Y3 + E4
Y5 = a5 + E * Y2 + e5
Y6 = a6 + F * Y4 + e6
- kijk naar wat de dependent en indipendent variabelen zijn per vergelijking:
D: Y2 I:Y1
D: Y3 I:Y1
D: Y4 I: Y2 en Y3
D: Y5 I:Y2
D: Y6 I: Y4
- je gaat weer de regressieanalyse uitvoeren: analyze regression lineair
en je doet dit voor Y1 t/m Y6
- kijk nu naar coefficients en naar beta
let wel op: als je 2 onafhankelijke (independent) variabelen hebt, heb je
meestal de bovenste coëfficiënt nodig bij de eerste vraag en de tweede bij de
volgende vraag (kijk anders naar het model)
Practicum 2 PCA en factoranalyse
Assignment 1
1. haal onmogelijke waarden uit de data:
- in dit geval cijfers onder 1 en boven 9
- analyze descirptive statistics descriptives (let op dat je de afhankelijke
variabelen opvraagt, dus de gemeten)
- kijk naar de gemiddelden, standaard deviaties en de minimum en maximum
per variabele
- als je onmogelijke scores vindt, verwijder ze dan zodat het een “missing
value” wordt
2. welke analyse gebruik je wanneer?
- CFA: checken of modellen met factoren toepasbaar zijn (stand houden) bij
verschillende doelgroepen of in een nieuwe steekproef binnen dezelfde groep
- PCA: samenvatten van data en correlaties tot minder meer overzichtelijke
data
- EFA: kijken of en welke indicatoren beïnvloedt worden door dezelfde latente
variabele (factor) causatie
- pad analyse: testen van causale (directe en indirecte) effecten
