Oefeningen Multiniveau-analyse
P0S37A Thema’s uit de kwantitatieve methodologie
Academiejaar 2022-2023
0. Als opwarmingsoefening gaan we eerst proberen om de analyse die in hoorcollege is getoond, te reproduceren.
Start hiervoor R en kopieer de gegevens en het R script voor de oefeningen vanuit Toledo naar de desktop. De
gegevens en het R script zijn terug te vinden op Toledo
Cursusdocumenten / Gegevensbestanden / Oefeningen multiniveau-analyse
Het R script heeft als naam Multilevel script.txt en kan in de R Console worden geopend via
File / Open script…
Standaard geeft R de extensie .R aan scripts, maar in dit geval is de extensie .txt, dus om de volledige lijst van
beschikbare bestanden op de desktop te zien moet er nog worden aangegeven:
Files of type: All files (*.*)
Ik geef er de voorkeur aan om met de extensie .txt te werken om duidelijk te maken dat het over een ongeformatteerd
tekstbestand gaat dat gemakkelijk met Notepad kan worden bewerkt.
Om het R script stap-voor-stap te doorlopen, selecteert u de lijn (of de lijnen) die u wilt uitvoeren, klik rechts op de
muis en selecteer
Run line or selection
De in te lezen gegevens moeten telkens via een afzonderlijk pop-up scherm worden geselecteerd. Het gaat
respectievelijk over de bestanden Samantha.txt, Thomas.txt en Combined data.txt. De resultaten die je
verkrijgt moet je telkens vergelijken met de tabellen, zoals getoond in het hoorcollege of met de tabellen in Onghena,
Michiels, Jamshidi, Moeyaert, en Van den Noortgate (2018).
, 2
# Stap 1: Inlezen van gegevens
# Inlezen van de Samantha gegevens uit Onghena et al. (2018) door een ruw gegevensbestand in te lezen dat
zich
# ergens op de computer bevindt, waarbij er kolomhoofden aanwezig zijn, waarbij de kolommen van elkaar
# worden gescheiden door een spatie, waarbij eventuele ontbrekende scores worden weergegeven met NA,
# waarbij eventuele decimalen worden weergegeven achter een punt, en waarbij eventuele blanco’s op het
einde
# van het bestand worden weggelaten. Geef dit R bestand een willekeurige nieuwe naam, bijvoorbeeld
# "Samantha".
> Samantha <- read.table(file.choose(new=F), header=TRUE, sep="", na.strings="NA", dec=".", strip.white=TRUE)
# Stap 2: Controleer of het bestand correct is ingelezen
> Samantha
#Stap 3: Enkelvoudige en meervoudige regressie-analyse kan in R worden uitgevoerd met de lm functie
(afkorting
# van "linear model"). De modelvergelijking kan je opschrijven als AFHANKELIJKE VARIABELE ~ ONAFHANKELIJKE
# VARIABELE(N) waarbij de onafhankelijke variabelen met een plusteken worden verbonden. Geef het resultaat
# van deze analyse een willekeurige naam, bijvoorbeeld "RegModel.1" en print dan een samenvatting van de
# analyse uit met de summary-functie.
> RegModel.1 = lm(Score~Treat, data=Samantha)
> summary(RegModel.1)
, 3
# Stap 4: Voeg de onafhankelijke variabele Week toe om de lineaire trend te toetsen
> RegModel.2 = lm(Score~Treat+Week, data=Samantha)
> summary(RegModel.2)
#Stap 5: Als we autocorrelaties in de residuen willen toelaten, dan kunnen we de lm functie niet meer gebruiken
# en moeten we de arima functie gebruiken (zie seminarie over tijdreeksanalyse)
> ArimaModel.1 <- arima(Samantha$Score, order=c(1,0,0), xreg=cbind(Samantha$Treat,Samantha$Week))
> ArimaModel.1
P0S37A Thema’s uit de kwantitatieve methodologie
Academiejaar 2022-2023
0. Als opwarmingsoefening gaan we eerst proberen om de analyse die in hoorcollege is getoond, te reproduceren.
Start hiervoor R en kopieer de gegevens en het R script voor de oefeningen vanuit Toledo naar de desktop. De
gegevens en het R script zijn terug te vinden op Toledo
Cursusdocumenten / Gegevensbestanden / Oefeningen multiniveau-analyse
Het R script heeft als naam Multilevel script.txt en kan in de R Console worden geopend via
File / Open script…
Standaard geeft R de extensie .R aan scripts, maar in dit geval is de extensie .txt, dus om de volledige lijst van
beschikbare bestanden op de desktop te zien moet er nog worden aangegeven:
Files of type: All files (*.*)
Ik geef er de voorkeur aan om met de extensie .txt te werken om duidelijk te maken dat het over een ongeformatteerd
tekstbestand gaat dat gemakkelijk met Notepad kan worden bewerkt.
Om het R script stap-voor-stap te doorlopen, selecteert u de lijn (of de lijnen) die u wilt uitvoeren, klik rechts op de
muis en selecteer
Run line or selection
De in te lezen gegevens moeten telkens via een afzonderlijk pop-up scherm worden geselecteerd. Het gaat
respectievelijk over de bestanden Samantha.txt, Thomas.txt en Combined data.txt. De resultaten die je
verkrijgt moet je telkens vergelijken met de tabellen, zoals getoond in het hoorcollege of met de tabellen in Onghena,
Michiels, Jamshidi, Moeyaert, en Van den Noortgate (2018).
, 2
# Stap 1: Inlezen van gegevens
# Inlezen van de Samantha gegevens uit Onghena et al. (2018) door een ruw gegevensbestand in te lezen dat
zich
# ergens op de computer bevindt, waarbij er kolomhoofden aanwezig zijn, waarbij de kolommen van elkaar
# worden gescheiden door een spatie, waarbij eventuele ontbrekende scores worden weergegeven met NA,
# waarbij eventuele decimalen worden weergegeven achter een punt, en waarbij eventuele blanco’s op het
einde
# van het bestand worden weggelaten. Geef dit R bestand een willekeurige nieuwe naam, bijvoorbeeld
# "Samantha".
> Samantha <- read.table(file.choose(new=F), header=TRUE, sep="", na.strings="NA", dec=".", strip.white=TRUE)
# Stap 2: Controleer of het bestand correct is ingelezen
> Samantha
#Stap 3: Enkelvoudige en meervoudige regressie-analyse kan in R worden uitgevoerd met de lm functie
(afkorting
# van "linear model"). De modelvergelijking kan je opschrijven als AFHANKELIJKE VARIABELE ~ ONAFHANKELIJKE
# VARIABELE(N) waarbij de onafhankelijke variabelen met een plusteken worden verbonden. Geef het resultaat
# van deze analyse een willekeurige naam, bijvoorbeeld "RegModel.1" en print dan een samenvatting van de
# analyse uit met de summary-functie.
> RegModel.1 = lm(Score~Treat, data=Samantha)
> summary(RegModel.1)
, 3
# Stap 4: Voeg de onafhankelijke variabele Week toe om de lineaire trend te toetsen
> RegModel.2 = lm(Score~Treat+Week, data=Samantha)
> summary(RegModel.2)
#Stap 5: Als we autocorrelaties in de residuen willen toelaten, dan kunnen we de lm functie niet meer gebruiken
# en moeten we de arima functie gebruiken (zie seminarie over tijdreeksanalyse)
> ArimaModel.1 <- arima(Samantha$Score, order=c(1,0,0), xreg=cbind(Samantha$Treat,Samantha$Week))
> ArimaModel.1
