WPO 2: Meervoudige Regressie – Voorbereidende
oefeningen
DATASET 1: Passief sociaal media gebruik
De fictieve dataset PSMU werd geïnspireerd door het onderzoek van Aalbers en collega’s (2018),
waar onderzocht wordt of er een causaal verband bestaat tussen het passief gebruik van sociale
media (“PSMU”) en depressieve symptomen. Een vragenlijst werd afgenomen bij 236 deelnemers,
waarbij naar passief sociaal mediagebruik, depressieve gevoelens en een aantal andere mogelijks
relevante variabelen werden gepeild. Onderstaande tabel bevat extra informatie over de variabelen
in de dataset en hoe deze gemeten werden.
Variabele Extra informatie Legende
sex Met welk geslacht identificeert de deelnemer zich? 0 = vrouw; 1 = man -> NOMINAAL
leeftijd Hoe oud is de deelnemer? In jaren -> RATIO
psmu Aantal uren sociale media passief gebruiken per week (bv. ➔ RATIO
enkel scrollen)
mood Depressieve mood in de afgelopen week 1-item vraag met een schaal van 0 ‘nooit
depressieve mood’ tot 100 ‘altijd depressieve
mood’
Lineariteitsvoorwaarde is voldaan.
➔ RATIO
anhedonie Kon de deelnemer in de afgelopen week plezier ervaren? 0 = nee; 1 = soms; 2 = ja
➔ NOMINAAL
vermoeidheid Hoe vermoeid voelde de deelnemer zich deze ochtend bij het Likertschaal van 0 (helemaal uitgerust) tem 7
opstaan? (sterke vermoeidheid).
➔ RATIO
concentratie Hoe vaak ervaarde de deelnemer concentratieproblemen in 1-item vraag met een schaal van 0 ‘nooit
de afgelopen week? concentratieproblemen’ tot 100 ‘altijd
concentratieproblemen’
Lineariteitsvoorwaarde is voldaan.
➔ RATIO
eenzaamheid Gevoelens van eenzaamheid en sociale isolatie gemeten met Totaalscores (Likertschaal) liggen tussen 20 en 80,
de UCLA eenzaamheidsschaal waarbij hoge scores wijzen op meer gevoelens van
eenzaamheid en sociale isolatie.
➔ RATIO
1
,Aandachtspunten
MEETSCHALEN
VAS -> analoge schaal -> wijst op interval
Likertschaal -> interval
Één item, een variabele is niet aan lineariteitsvoorwaarden voldaan -> ordinaal
Lineariteitsvoorwaarden voldaan -> interval
OUTPUTS
R-square van 0,78 -> 78,20 % van de variantie in het passieve gebruik van sociale media (= y) wordt
verklaart door de variantie in het model (vermoeidheid en eenzaamheid). We zien ook dat er
minstens 1 voorspeller significant bijdraagt.
Vermoeidheid heeft een richtingscoëfficiënt van 0,95 en eenzaamheid 0,41. Als vermoeidheid stijgt
met 1 eenheid, stijgt het verwachte sociale mediagebruik met 0,95 uren. Als eenzaamheid met 1
eenheid stijgt, stijgt het verwachte sociale mediagebruik met 0,41 uren. Bij meervoudige regressie:
alle andere variabelen in het model blijven constant in het model.
Intercept = 0,74 voor eenzaamheid
-> intercept is het punt waar de regressierechte de y-as snijdt als x 0 is
2
,-> hier MR dus meerdere X die 0 moeten zijn, zowel vermoeidheid en eenzaamheid moeten nul zijn -
> dan hebben we een verwacht SM gebruik van 0,74 uur
-> indien vermoeidheid = 0 -> persoon is helemaal uitgerust
-> indien eenzaamheid = 0 -> geen zinvolle interpretatie op schaal -> OPLOSSING: centreren van de
variabele rond hun gemiddeldes
3
, Vragen
VRAAG 1: Verkenning van de dataset
4
oefeningen
DATASET 1: Passief sociaal media gebruik
De fictieve dataset PSMU werd geïnspireerd door het onderzoek van Aalbers en collega’s (2018),
waar onderzocht wordt of er een causaal verband bestaat tussen het passief gebruik van sociale
media (“PSMU”) en depressieve symptomen. Een vragenlijst werd afgenomen bij 236 deelnemers,
waarbij naar passief sociaal mediagebruik, depressieve gevoelens en een aantal andere mogelijks
relevante variabelen werden gepeild. Onderstaande tabel bevat extra informatie over de variabelen
in de dataset en hoe deze gemeten werden.
Variabele Extra informatie Legende
sex Met welk geslacht identificeert de deelnemer zich? 0 = vrouw; 1 = man -> NOMINAAL
leeftijd Hoe oud is de deelnemer? In jaren -> RATIO
psmu Aantal uren sociale media passief gebruiken per week (bv. ➔ RATIO
enkel scrollen)
mood Depressieve mood in de afgelopen week 1-item vraag met een schaal van 0 ‘nooit
depressieve mood’ tot 100 ‘altijd depressieve
mood’
Lineariteitsvoorwaarde is voldaan.
➔ RATIO
anhedonie Kon de deelnemer in de afgelopen week plezier ervaren? 0 = nee; 1 = soms; 2 = ja
➔ NOMINAAL
vermoeidheid Hoe vermoeid voelde de deelnemer zich deze ochtend bij het Likertschaal van 0 (helemaal uitgerust) tem 7
opstaan? (sterke vermoeidheid).
➔ RATIO
concentratie Hoe vaak ervaarde de deelnemer concentratieproblemen in 1-item vraag met een schaal van 0 ‘nooit
de afgelopen week? concentratieproblemen’ tot 100 ‘altijd
concentratieproblemen’
Lineariteitsvoorwaarde is voldaan.
➔ RATIO
eenzaamheid Gevoelens van eenzaamheid en sociale isolatie gemeten met Totaalscores (Likertschaal) liggen tussen 20 en 80,
de UCLA eenzaamheidsschaal waarbij hoge scores wijzen op meer gevoelens van
eenzaamheid en sociale isolatie.
➔ RATIO
1
,Aandachtspunten
MEETSCHALEN
VAS -> analoge schaal -> wijst op interval
Likertschaal -> interval
Één item, een variabele is niet aan lineariteitsvoorwaarden voldaan -> ordinaal
Lineariteitsvoorwaarden voldaan -> interval
OUTPUTS
R-square van 0,78 -> 78,20 % van de variantie in het passieve gebruik van sociale media (= y) wordt
verklaart door de variantie in het model (vermoeidheid en eenzaamheid). We zien ook dat er
minstens 1 voorspeller significant bijdraagt.
Vermoeidheid heeft een richtingscoëfficiënt van 0,95 en eenzaamheid 0,41. Als vermoeidheid stijgt
met 1 eenheid, stijgt het verwachte sociale mediagebruik met 0,95 uren. Als eenzaamheid met 1
eenheid stijgt, stijgt het verwachte sociale mediagebruik met 0,41 uren. Bij meervoudige regressie:
alle andere variabelen in het model blijven constant in het model.
Intercept = 0,74 voor eenzaamheid
-> intercept is het punt waar de regressierechte de y-as snijdt als x 0 is
2
,-> hier MR dus meerdere X die 0 moeten zijn, zowel vermoeidheid en eenzaamheid moeten nul zijn -
> dan hebben we een verwacht SM gebruik van 0,74 uur
-> indien vermoeidheid = 0 -> persoon is helemaal uitgerust
-> indien eenzaamheid = 0 -> geen zinvolle interpretatie op schaal -> OPLOSSING: centreren van de
variabele rond hun gemiddeldes
3
, Vragen
VRAAG 1: Verkenning van de dataset
4
