Oplossing oefeningen:
enkelvoudige regressie
De bedoeling van regressie: een afhankelijke veranderlijke of endogene variabelen proberen te
voorspellen aan de hand van verschillende onafhankelijke (verklarende) of exogene variabelen. Maar
het kan ook zijn dat je het onderliggende verband tussen de variabelen wil bestuderen
Oefening 1: pijndata
1. Maak een Likertschaal aan van de variabelen ‘Pijn’ tot en met ‘Zingevingsproblemen’ (‘Andere
Problemen’ dus niet opnemen in de schaal). Ga, voordat je de schaal maakt, na of de items wel
allemaal op een goede manier bijdragen tot de schaal en of de kwaliteit van de schaal goed is.
Neem, als je de schaal maakt, enkel de patiënten in aanmerking die op hooguit 1 item niet
geantwoord hebben.
Analyze scale reliability analysis (je gaat de chronbach alfa berekenen)
Je zet de variabele van 13-21 in de items
Klik bij statistics op scale if item deleted, scale en item
De chronbach alpha is een maat van betrouwbaarheid. Daarom dat we deze ook berekenen, zo
kunnen we de interne consistentie van onze schaal of schalen zien en kunnen we bepalen welke
items zinvol bijdragen en welke niet bij de aanmaak van een nieuwe schaal
Van de 543 waarnemingen zijn er 69 die niet zijn opgenomen omwille van het feit dat ze missings
bevatten en 474 die valide waren
Met variabele ‘pijn’ Zonder variabele ‘pijn’
De chronbach alpha is 0,863 dus dat is een goede chronbach alpha.
1
, We kijken of ze allemaal in dezelfde richting gecodeerd zijn en dit ga je bekijken bij ‘corrected item-
total correlation’ en je ziet dat ze allemaal positief zijn (en dus geen negatieve waarden)
Een lage waarde voor de schaal geeft een lage intensiteit van wat we meten
Een hoge waarde voor de schaal geeft ene hoge intensiteit van wat we meten (dat zit dus goed)
Gaat onze chronbach alpha goed stijgen moesten we er een element uithalen. Wat we zien is dat bij
alles de waarde gaat dalen behalve als je pijn zou weglaten. Dan zou de chronbach alpha stijgen tot
0.867, aangezien we maar met 4duizendste omhoog zouden gaan is dit niet de moeite want het is
verwaarloosbaar zeker bij een variabele zoals pijn bij kankerpatiënten
Dus de voorwaarde om een likertschaal te maken zijn voldaan
Volgende stap is gaan kijken naar de missings en hoe die in elkaar zitten
Je kan dit op twee manieren gaan bekijken:
1.Bij Variable view heb je een kolom met missings
2
enkelvoudige regressie
De bedoeling van regressie: een afhankelijke veranderlijke of endogene variabelen proberen te
voorspellen aan de hand van verschillende onafhankelijke (verklarende) of exogene variabelen. Maar
het kan ook zijn dat je het onderliggende verband tussen de variabelen wil bestuderen
Oefening 1: pijndata
1. Maak een Likertschaal aan van de variabelen ‘Pijn’ tot en met ‘Zingevingsproblemen’ (‘Andere
Problemen’ dus niet opnemen in de schaal). Ga, voordat je de schaal maakt, na of de items wel
allemaal op een goede manier bijdragen tot de schaal en of de kwaliteit van de schaal goed is.
Neem, als je de schaal maakt, enkel de patiënten in aanmerking die op hooguit 1 item niet
geantwoord hebben.
Analyze scale reliability analysis (je gaat de chronbach alfa berekenen)
Je zet de variabele van 13-21 in de items
Klik bij statistics op scale if item deleted, scale en item
De chronbach alpha is een maat van betrouwbaarheid. Daarom dat we deze ook berekenen, zo
kunnen we de interne consistentie van onze schaal of schalen zien en kunnen we bepalen welke
items zinvol bijdragen en welke niet bij de aanmaak van een nieuwe schaal
Van de 543 waarnemingen zijn er 69 die niet zijn opgenomen omwille van het feit dat ze missings
bevatten en 474 die valide waren
Met variabele ‘pijn’ Zonder variabele ‘pijn’
De chronbach alpha is 0,863 dus dat is een goede chronbach alpha.
1
, We kijken of ze allemaal in dezelfde richting gecodeerd zijn en dit ga je bekijken bij ‘corrected item-
total correlation’ en je ziet dat ze allemaal positief zijn (en dus geen negatieve waarden)
Een lage waarde voor de schaal geeft een lage intensiteit van wat we meten
Een hoge waarde voor de schaal geeft ene hoge intensiteit van wat we meten (dat zit dus goed)
Gaat onze chronbach alpha goed stijgen moesten we er een element uithalen. Wat we zien is dat bij
alles de waarde gaat dalen behalve als je pijn zou weglaten. Dan zou de chronbach alpha stijgen tot
0.867, aangezien we maar met 4duizendste omhoog zouden gaan is dit niet de moeite want het is
verwaarloosbaar zeker bij een variabele zoals pijn bij kankerpatiënten
Dus de voorwaarde om een likertschaal te maken zijn voldaan
Volgende stap is gaan kijken naar de missings en hoe die in elkaar zitten
Je kan dit op twee manieren gaan bekijken:
1.Bij Variable view heb je een kolom met missings
2
