Multivariate data-analyse
Oplossingen oefeningen: SEM
Voorbeeldoefening
Stress: dass1, dass6, dass8, dass11, dass12, dass14, dass18, dass22, dass27, dass29, dass32, dass33,
dass35, dass39
Anxiety: dass2, dass4, dass7, dass9, dass15, dass19, dass20, dass23, dass25, dass28, dass30, dass36,
dass40, dass41
Depression: dass3, dass5, dass10, dass16, dass17, dass21, dass24, dass26, dass31, dass34, dass37,
dass38, dass42
TIP: Controleer eerst meetniveau van variabelen (zet alle ordinale schalen op interval niveau)
We hebben de latente variabelen: stress, anxiety en depression die elk hun items
hebben die erbij horen
We gaan nagaan in welke mate het model past bij de data die we in de dataset
hebben
We klikken bij SEM op ‘structural equation modeling’
In JAPS moet de syntax geschreven worden.
Wordt gemeten door =~
Stress wordt gemeten door de verschillende
items
Anxiety wordt gemeten door de verschillende
items
Depression wordt gemeten door de
verschillende items
1
, Multivariate data-analyse
Bij Statistics klikken we op ‘additional fit measures’
Bij advances klikken we op ‘path diagram’ en ‘show
standardized parameters’
Chi² is een eerste manier om te kijken of het model goed
past bij de data
Het is een test die nagaat of dat de covariantiematrix die
gebaseerd is op de geschatte parameters van het model,
of dat deze gelijk is aan de covariantiematrix die
gebaseerd is op de indicatoren dat je observeert
We bekomen een chi² (776) van 2156,699 en een p-
waarde < 0,05 dus dit wil zeggen dat het model niet goed past bij de data (er is dus geen goede
match tussen het model en de data)
Bij ene p <0,05 is er geen goed nieuws aangezien we ervan uit gaan dat er een verschil is tussen de
covariantiematrix van het model en de covariantiematrix op basis van de data
Probleem bij de chi² = het is overpowered dus wanneer er een grote steekproef is dan ga je bijna
altijd een p-waarde hebben die < 0,05 waardoor je gaat concluderen dat er geen goede match is
tussen het model en de data
We gaan ook nog andere indices bekijken om in te
schatten of er een goede fit is (bij deze getallen
moet de waarde groter zijn dan 0,90 om een
goede fit te hebben)
CFI = 0,823 geen goede fit
TLI = 0,812 geen goede fit
NFI = 0,749 geen goede fit
De SRMR heeft een waarde van 0,066 deze is kleiner
dan 0,08 dus deze waarde is OK
2
Oplossingen oefeningen: SEM
Voorbeeldoefening
Stress: dass1, dass6, dass8, dass11, dass12, dass14, dass18, dass22, dass27, dass29, dass32, dass33,
dass35, dass39
Anxiety: dass2, dass4, dass7, dass9, dass15, dass19, dass20, dass23, dass25, dass28, dass30, dass36,
dass40, dass41
Depression: dass3, dass5, dass10, dass16, dass17, dass21, dass24, dass26, dass31, dass34, dass37,
dass38, dass42
TIP: Controleer eerst meetniveau van variabelen (zet alle ordinale schalen op interval niveau)
We hebben de latente variabelen: stress, anxiety en depression die elk hun items
hebben die erbij horen
We gaan nagaan in welke mate het model past bij de data die we in de dataset
hebben
We klikken bij SEM op ‘structural equation modeling’
In JAPS moet de syntax geschreven worden.
Wordt gemeten door =~
Stress wordt gemeten door de verschillende
items
Anxiety wordt gemeten door de verschillende
items
Depression wordt gemeten door de
verschillende items
1
, Multivariate data-analyse
Bij Statistics klikken we op ‘additional fit measures’
Bij advances klikken we op ‘path diagram’ en ‘show
standardized parameters’
Chi² is een eerste manier om te kijken of het model goed
past bij de data
Het is een test die nagaat of dat de covariantiematrix die
gebaseerd is op de geschatte parameters van het model,
of dat deze gelijk is aan de covariantiematrix die
gebaseerd is op de indicatoren dat je observeert
We bekomen een chi² (776) van 2156,699 en een p-
waarde < 0,05 dus dit wil zeggen dat het model niet goed past bij de data (er is dus geen goede
match tussen het model en de data)
Bij ene p <0,05 is er geen goed nieuws aangezien we ervan uit gaan dat er een verschil is tussen de
covariantiematrix van het model en de covariantiematrix op basis van de data
Probleem bij de chi² = het is overpowered dus wanneer er een grote steekproef is dan ga je bijna
altijd een p-waarde hebben die < 0,05 waardoor je gaat concluderen dat er geen goede match is
tussen het model en de data
We gaan ook nog andere indices bekijken om in te
schatten of er een goede fit is (bij deze getallen
moet de waarde groter zijn dan 0,90 om een
goede fit te hebben)
CFI = 0,823 geen goede fit
TLI = 0,812 geen goede fit
NFI = 0,749 geen goede fit
De SRMR heeft een waarde van 0,066 deze is kleiner
dan 0,08 dus deze waarde is OK
2
