Samenvatting voor het tentamen van Statistiek B (SOW-PSB1RS10N)

Tentamen aantekeningen
Statistiek B
De soorten designs
Multiple regressie analyse Anova Ancova (c van combinatie)
GLM - 1 AV = criterium - 1 AV - 1 AV
univariate - 1 of meer OV = predictor. Kwantitatief - 1 of meer BSF. - BSF én covariaten
- Hoe de AV verklaard kan worden door OV’s. vaak Kwalitatief
passief-observerend.
Dubbel multivariate repeated Manova Mancova (covar sw Repeated measurs manova
measurs manova Kwalitatieve ov Kwantitatieve ov
- Meerdere AV - Meerdere AV - Meerdere AV - 1 AV
GLM - 1 of meer WSF - 1 of meer BSF. - 1 of meer BSF. - WSF
multivariaat - Evt. BSF Kwalitatief Kwalitatief - Evt. BSF
- Evt. covariaten - 1 of meer - Evt. covariaten
covariaat. (WSF lijkt op meerdere AV
Kwantitatief maar dit is alleen in SPSS)
Non- Mann-Whitney U-toets X^2 toets
parametrische - Between subject design met 2 groepen. Je - Samenhang tussen 2 kwalitatieve variabele
toetsen (geen vergelijkt 2 groepen - 1 AV. Kwalitatief
normaal - 1 AV. Kwantitatief maar niet normaal verdeeld - BSF
verdeling) - BSF

,1. Multiple Regression Analysis
Elementair rapport
1. Design
 AV = criterium = psychisch welbevinden (kwantitatief)
 OV1= predictor 1 = onzekerheid (kwantitatief) altijd meerdere OV bij MRA
 OV2 = predictor 2 = steun (kwantitatief)
2. Mate van controle = onderzoek is passief-observerend / experimenteel
3. Geaggregeerde data
Criterium Predictor 1 Predictor 2
Criterium
Predictor 1 Correlatie invullen
aflezen van SPSS data  aflezen in tabel ‘’Correlaties’’
Predictor 2 Invullen invullen
Gemiddelde Invullen Invullen Invullen
standaardafwijking Invullen Invullen Invullen
aflezen in tabel ‘descriptive statistics’’
4. Schatters – regressiegewichten = noem regressiegewichten van constant en de 2 predictoren.
 b constant =
 b onzekerheid =  aflezen in tabel ‘’Coefficients’’ bij ‘’b’’
 b steun =
5. Hypotheses
 Algemene hypotheses: H0: βonzekerheid = βsteun = 0 / R^2 = 0 in de populatie
Ha: deze H0 is onwaar
 Specifieke nulhypotheses: H0 (onzekerheid): β onzekerheid = 0
H0(steun): β steun = 0
6. Toetsing
SSreggresie: Var(Yvoorspeld)=
- Stap 1: voorspelde score voor per subject = bconstant(b0) + bP1 * score van subject 1 op P1 +
bP2* score van subject1 op P2 + bP3 * score van subject1 op P3 etc.
- Stap 2: dit voor alle subjecten doen en al deze Y voorspelde scores in de casio zetten
- Stap 3: standaarddeviatie ervan doen en in kwadraat = Var(Yvoorspeld)
- Voor SSreggressie deze Var(Yvoorspeld) * (N-1) waarin N aantal subjecten zijn.
SS totaal: Var(Y)
- Alle AV scores in casio zetten (dus wnr 6 subjecten dan 6 scores op de AV) en hiervan
standaarddeviatie vd steekproef en in kwadraat = Var(Y) deze * (N-1).
P waarde: opzoeken in tabel F met dfregressie op horizontale as (bovenin) en dfresidu op verticale as
(zijkant). Zoeken van F-waarde in de tabel:
Bron Df SS MS F P R^2
Regressie K (N-1)*Var(Yvoorspeld) SS/df MS/MSresidu Tabel F SS/SStotaal
P1
P2
Residu N-k-1 SStotaal - SSregressie SS/df K = aantal predictoren
Totaal N-1 (N-1)*Var(Y) N = aantal subjecten
7. P waarden van de b gewichten
b p
Intercept  aflezen in tabel ‘’Coefficients’’ bij ‘’b’’ en ‘’sig’’.
Onzekerhei Maar nu Intercept ipv constant
d

, Steun
8. Beslissingen
Noemen van de namen van criterium en de predictoren, de naam van de betrokken coëfficiënt en of
deze significant is of niet. Bespreek eerst de algemeen toets, als deze significant is dan specifieke
toetsen bespreken! Wnr significant dan sterkte noemen en wnr non-significant en matig of sterk: N
te klein?
 De algemene H0 wordt verworpen (noemen van P). De proportie verklaarde variantie
(noemen) van de predictoren op het criterium is (niet) significant groter dan 0. Het effect is
zwak/matig/sterk.
 De specifieke H0 van Predictor1 wordt behouden (noem P) Het b-gewicht P1 (noemen) is niet
significant afwijkend van nul.
 De specifieke H0 van P2 wordt verworpen (noem P). Het b-gewicht P2 (noemen) is significant
afwijkend van nul. Effect noemen.
9. Causale interpretatie = voor ten minste 1 predictor
 Het is geen experiment, dus er zijn meerdere verklaring(en) mogelijk. De primaire verklaring is
dat __(P1/2)__ invloed heeft op __(AV)___. Een alternatieve verklaring is dat __(AV)__
invloed heeft op __(P1/2)__ dus of XY of XZY
 Het is een experiment, dus er is één verklaring mogelijk. De primaire verklaring is dat __(P1)__
invloed heeft op __(AV)___.

Beknopt rapport van een MRA
 Het design (criterium en predictoren)
 De naam van de analyse (multiple-regressie analyse)
 De belangrijkste elementen van de toetsing (R^2, F of t, dfs
en p-waarden) (kijken bij regression lijn) (significant wnr van
regression lijn p<0.05 en noemen van effectsterkte!, niet
significant wnr p> 0.05
 De beslissingen
 Als gevraagd: de toelichting van de richting van de
significante effecten door het noemen van de b-gewichten
en hun teken. Toelichting alleen bij significante effecten dus.
 wnr verband sterk en niet significant wijst op een te kleine N

Er werd een multiregressie-analyse uitgevoerd. De afhankelijke (criterium) was __. De predictoren
waren _____. De proportie verklaarde variantie (R^2 noemen) was (niet) significant groter dan nul
(F(dfs), p = _). Er waren geen predictoren met significante effecten / Predictoren met significante
effecten waren ___ (p = _) en ___ (p =_).

Toelichting
In beknopt rapport: alleen voor significante effecten.
 Uit de regressiegewichten blijkt dat een toename in P1 bij gelijkblijvende P2 samengaat met een
afname in Criterium (b=-__). / Een toename in P2 bij gelijkblijvende P1 gaat samen met een
toename in Criterium (b=+_). Dit suggereert een positief / negatief verband.
Van beslissingen of nulhypothese: altijd doen ook wnr niet significant.
 Covariaten met b of Beta toelichten. Nulhypothese: beta = 0. Aflezen in: Parameter Estimates of Coefficients
 Doen via notatie van het boek: ‘’2.3 = 4.5’’ maar dan in de populatie