Samenvatting multivariate analyse lesboek

Samenvatting Multivariate Analyse
Carmen Faber – 2687735
Hoofdstuk 1 t/m 8


Hoofdstuk 1

Univariate technieken  kijken naar 1 variabele

Bivariate technieken  onderzoeken het verband tussen twee variabelen
- Voorspellen van Y uit X

Multivariate technieken  het bekijken van drie of meer variabelen in samenhang
- Variabelen moeten in hun onderlinge samenhang geanalyseerd worden
- Rekenen met kwantitatieve gegevens
- Toetsend vs. explorerend:
o Toetsend = hypothesen worden getoetst o.b.v. van een veronderstelling; er
wordt gekeken naar hoe waarschijnlijk de verkregen gegevens zijn als die
veronderstelling inderdaad waar is.
o Exploratief = verkennen van data
 Minder krachtige uitspraken
- Datareductie vs. modeltoetsing
o Datareductie = het terugbrengen van een groot aantal gegevens naar een
kleiner aantal gegevens
 Behaptbaar maken van data
o Modeltoetsing = relaties tussen variabelen  model opstellen en naar
uitkomstmaten kijken waarbij we relaties veronderstellen tussen de
uitkomstmaten en verschillende oorzakelijke factoren
 Hoe liggen die relaties en hebben ze dezelfde richting als we
theoretisch hadden verondersteld?
- Voorspelling vs. samenhang
o Voorspelling = asymmetrisch
 X en Y hebben niet dezelfde rol binnen het model
 In hoeverre heeft X invloed op Y?
o Samenhang = symmetrisch
 A en B hebben dezelfde rol binnen het model

Hoofdstuk 2

Hoog vs. laag meetniveau data
o Meetniveau geeft weer hoeveel informatie een variabele bevat  geeft een
indicatie van welke techniek gebruikt moet worden
 Nominaal = labelen/classificeren van waarnemingen
 Onderscheid maken zonder rangorde
 Dichotome variabelen = variabelen met 2 categorieën
 Ordinaal = rangorde van oplopende waarde
 Interval = rangorde + even grote intervallen

,  Geen vast nulpunt (temperatuur)
 Ratio = verhouding metingen en verschillen liggen vast
 Vast nulpunt (geld)
 Absoluut = alle informatie ligt vast (frequentietelling)

Afhankelijke variabele = de variabele die uit andere variabelen wordt geprobeerd te
voorspellen, het gevolg van de oorzaken (Y)

Onafhankelijke variabelen = de oorzaken, de voorspellers (X) (predictoren/covariaten)

Modellen:
- Hebben een structuurovereenkomst met de werkelijkheid die zij beschrijven
o Stelt het onafhankelijk experimenteren met de werkelijkheid toe zonder
daadwerkelijk de werkelijkheid aan te tasten, anders weet je niet ‘what if…’
- De werkelijkheid is complex en onoverzichtelijk  met een model kan er onderzocht
worden hoe de werkelijkheid zich gedraagt en verandert en wat de eigenschappen
zijn zonder te hoeven letten op storende of complicerende factoren
- Parameter = coëfficiënt
- Hoge model fit/goodness of fit  de voorspelde Y lijkt volgens het model sterk op de
waargenomen Y
o Het model past goed op de gegevens van de werkelijkheid
- Parsimonie (simpelheid) geniet de voorkeur  met een zou eenvoudig mogelijk
model een zo goed mogelijke voorspelling doen
- Relatieve fitmaat op de complexiteit van het model  straft voor de complexiteit

Empirisch onderzoek = waarnemingen aan de werkelijkheid verrichten
- Operationalisatie:
o Construct = niet direct afleesbaar begrip
o Hypothetisch construct = een abstracte term waarmee naar een niet-
uitwendig waarneembaar kenmerk van personen wordt verwezen
 Moeten worden afgeleid uit andere wel waarneembare kenmerken
o Definiëren wat onder een construct wordt verstaan = conceptuele definitie
o Operationele definitie = hoe gaan we het construct meten?

Hoofdstuk 3

Statistiek: 2 definities
- Inferientiële statistiek: Zelfst. Nw.  verzameling van methoden om berekeningen
uit te voeren op gegevens die doorgaans uit een steekproef afkomstig zijn.
- Beschrijvende statistiek: Samenvatting serie gegevens (centrummaten)

Beschrijvende statistiek:
- Maten van centrale tendentie = waar de gegevens zich gemiddeld bevonden
o Gemiddelde = som waarnemingen / aantal waarnemingen
 Gevoelig voor uitbijters
o Modus = de waarneming die binnen de data het vaakst voorkomt
 Bimodaal = twee modussen

, o Mediaan = de waarde waarboven 50% van de waarnemingen ligt
 Handig bij scheve verdelingen
 Niet gevoelig voor uitbijters
- Maten van spreiding = of er veel verschil was tussen de respondenten
o Range = het spectrum waarop de getallen zich bevinden
o Variantie = s2 = de gemiddelde som van de gekwadrateerde afwijkingen van
de individuele scores van het gemiddelde
 Relatie met oorspronkelijke schaal is weg
o Standaarddeviatie = s = wortel uit de variantie
 Waarde is weer te interpreteren in termen van de oorspronkelijke
schaal

Inferentiële statistiek:
- Representatieve steekproef = goede weerspiegeling van de populatie  geeft info
over een populatie
o Toevalsteekproef/aselecte steekproef/random sample
o Geen systematische verschillen meer, wel random verschillen
o Representatief wanneer ieder lid van de populatie gelijke kansen heeft om in
de steekproef terecht te komen
o Externe validiteit = generaliseren naar de populatie; de bevindingen van
toepassing verklaren over de populatie
o Uitval is vaak niet toevallig en maakt de steekproef niet representatief
o Niet representatief?  kenmerken steekproef vergelijken met populatie 
moet er gecorrigeerd worden?
- Bias = systematisch verschil/vertekening tussen de leden van de steekproef en de
populatie
- Onzekerheden bij representatieve steekproeven  toetsen
o Nulhypothese (H0) = er is niks aan de hand
o Alternatieve hypothese (H1) = er is wel iets aan de hand
o Significant = p-waarde onder de alpha = verwerpen H0 & aannemen H1
 Te kleine alpha leidt tot nooit verwerpen H0  er is nooit wat aan de
hand
 Type 1 fout = alpha = H0 onterecht verwerpen
 Dit doen we zelf, we bepalen zelf hoe groot de alpha is
 Type 2 fout = B = H0 onterecht aannemen
 We kunnen niet zelf bepalen hoe groot de B is, hangt af van
alpha, steekproefgrootte
 Kans om de juiste beslissing te maken als H0 waar is = 1 – alpha
 Kans om de juiste beslissing te maken als H1 waar is = 1 – B =
power/statistische kracht
 Kleinere steekproef is kleinere power (grotere B)
o Conditionele uitspraken: als … dan
o N = 30 als ondergrens
 Te kleine steekproef = alpha vergroten
 Te grote steekproef = alpha verkleinen
o Te veel ruis (te grote variantie) of geschonden assumpties  niet goed
toetsen