Thuisopdracht 1:
Opties aanpassen.
Data controleren (missing bij variable view)
1. Correlatieanalyse
Analyze -> correlate -> Bivariate-> vul variabelen in.
- ‘Pearson’ ,
- ‘Two-Tailed’
- ‘Flag significant correlations’.
Aangevinkt onder ‘options= - exclude cases pairwise.
r > 0.50 “Strong”
r > 0.30 “Moderate”
r > 0.10 “Weak”
2. Factoranalyse
Altijd eerst vooraf een correlatie analyse doen.
-Analyze -> Dimension reduction -> Factor Analysis.
- Onder: Descriptives ‘initial solution’, ‘Coefficients’, ‘KMO and Bartlett’s test of
sphericity’
- Onder: ‘Extraction’ -> ‘scree plot’
- Onder: Options -> ‘exclude cases listwise’+ ‘surpress small coefficients’. Vul in: 0.30
- Onder: Rotation: vink aan: ‘Direct Oblimin’. Verander ’25 iterations’ naar ‘250 iteration
Checken of KMO >0.6
Checken of sig <0.05
Communaliteiten: >0.3 (kruisladingen), anders verwijderen (statistisch)
Eigenvalues natrekken
Factorladingen bekijken (pattern matrix), moet er iets verwijderd worden? Factoranalyse
opnieuw zonder dat item, kijken of de items nu beter passen.
Inhoudelijke manier gebruik:
Bij het opschonen van de factoranalyse zul je er dus eerder voor kiezen om een item weg te
halen die hoog laadt op een verkeerde factor (de zogenoemde kruislading), dan een item die
zwak laadt op zijn eigen factor (en tegelijkertijd minder sterk op een andere factor laadt).
3. Betrouwbaarheidsanalyse
• Stap 0: Bekijk descriptives en check meetschaal,missing values, poling, gemiddelden en
SD
• Stap 1: (Evt.) ompolen negatieve indicatoren als mean laag is.
-recode to different
• Stap 2: (Evt.) standaardiseren (bv als de schalen andere antwoordt hebben)
• Stap 3: Voer betrouwbaarheidsanalyse uit en maximaliseer betrouwbaarheid door
verwijdering indicatoren
-item, scale, scale if deleted, correlation
• Stap 4: Construeer index (1 item van maken), transform > compute
• Stap 5: (Evt.) Standaardiseer de index.
-descriptives
• Stap 6: Rapporteer betrouwbaarheid en de hoeveelheid indicatoren van de index.
, Thuisopdracht 2:
Instellingen wijzigen
Checken data en assumpties.
(1) Onafhankelijke en afhankelijke variabelen zijn continu /numeriek
(2) Er is geen sprake van multicollineariteit of singulariteit tussen voorspellers
(3) Gemiddelde respons is lineaire functie van de X-variabelen
(4) Residuen zijn onafhankelijk en normaal verdeeld
(5) Spreiding van de residuen is hetzelfde in elke subpopulatie (homoscedasticiteit)
1/2 kan meteen, 345 later.
1.0: Algemene datacheck
1.1: Voldoen aan assumptie 1 -> Numerieke data > Dummy variabelen
Dummyvariabelen maken:
-Recode
-Dummy_Man, 1=man
-1 > 1, system missing > system missing, other > 0
-Dummy_vrouw, 1 =vrouw
-verander 2> 1
1.2: Bepalen van voorspellers en confounders (correlatie analyse)
1.3: Voldoen aan assumptie 2 -> Multicollineariteit en Singulariteit
• Multicollineariteit: – Correlatie van > .70 tussen onafhankelijke variabelen •
Singulariteit: correlatie is perfect dus 1.00 pearson
Het gaat hierbij bvb ook om de VIF en TOL-waardes. Er is géén sprake van
multicollineariteit als de VIF < 10 en de TOL > .10.
1.4: Betekenisvolle 0
standaardiseren dmv descriptives
1.5: Voldoen aan assumpties van lineariteit, normaliteit en homoscedasticiteit
Als significant is dan relatie, als niet significant dan geen relatie.
Regressieanalyse:
Analyze > regression linear
Independent, dependent, confounding (next) > dummies en gestandaardiseerde versies
Alles aanvinken bij opties statistics + confounding interval 95
plots > Y: ZRESID, X: ZPRED + normal probability plot
Interpreteren:
Eerst significantie en betrouwbaarheidsinterval
•Dan de slopes (regressiecoëfficiënten) (BETA!!, niet B)
•Dan de Part Correlations’ (welke is belangrijkst)
•En nog even de VIF en TOL checken
Mediatieanalyse & Sobeltest:
-uittekenen
-x op y testen dmv regressie (zie hierboven); c
Opties aanpassen.
Data controleren (missing bij variable view)
1. Correlatieanalyse
Analyze -> correlate -> Bivariate-> vul variabelen in.
- ‘Pearson’ ,
- ‘Two-Tailed’
- ‘Flag significant correlations’.
Aangevinkt onder ‘options= - exclude cases pairwise.
r > 0.50 “Strong”
r > 0.30 “Moderate”
r > 0.10 “Weak”
2. Factoranalyse
Altijd eerst vooraf een correlatie analyse doen.
-Analyze -> Dimension reduction -> Factor Analysis.
- Onder: Descriptives ‘initial solution’, ‘Coefficients’, ‘KMO and Bartlett’s test of
sphericity’
- Onder: ‘Extraction’ -> ‘scree plot’
- Onder: Options -> ‘exclude cases listwise’+ ‘surpress small coefficients’. Vul in: 0.30
- Onder: Rotation: vink aan: ‘Direct Oblimin’. Verander ’25 iterations’ naar ‘250 iteration
Checken of KMO >0.6
Checken of sig <0.05
Communaliteiten: >0.3 (kruisladingen), anders verwijderen (statistisch)
Eigenvalues natrekken
Factorladingen bekijken (pattern matrix), moet er iets verwijderd worden? Factoranalyse
opnieuw zonder dat item, kijken of de items nu beter passen.
Inhoudelijke manier gebruik:
Bij het opschonen van de factoranalyse zul je er dus eerder voor kiezen om een item weg te
halen die hoog laadt op een verkeerde factor (de zogenoemde kruislading), dan een item die
zwak laadt op zijn eigen factor (en tegelijkertijd minder sterk op een andere factor laadt).
3. Betrouwbaarheidsanalyse
• Stap 0: Bekijk descriptives en check meetschaal,missing values, poling, gemiddelden en
SD
• Stap 1: (Evt.) ompolen negatieve indicatoren als mean laag is.
-recode to different
• Stap 2: (Evt.) standaardiseren (bv als de schalen andere antwoordt hebben)
• Stap 3: Voer betrouwbaarheidsanalyse uit en maximaliseer betrouwbaarheid door
verwijdering indicatoren
-item, scale, scale if deleted, correlation
• Stap 4: Construeer index (1 item van maken), transform > compute
• Stap 5: (Evt.) Standaardiseer de index.
-descriptives
• Stap 6: Rapporteer betrouwbaarheid en de hoeveelheid indicatoren van de index.
, Thuisopdracht 2:
Instellingen wijzigen
Checken data en assumpties.
(1) Onafhankelijke en afhankelijke variabelen zijn continu /numeriek
(2) Er is geen sprake van multicollineariteit of singulariteit tussen voorspellers
(3) Gemiddelde respons is lineaire functie van de X-variabelen
(4) Residuen zijn onafhankelijk en normaal verdeeld
(5) Spreiding van de residuen is hetzelfde in elke subpopulatie (homoscedasticiteit)
1/2 kan meteen, 345 later.
1.0: Algemene datacheck
1.1: Voldoen aan assumptie 1 -> Numerieke data > Dummy variabelen
Dummyvariabelen maken:
-Recode
-Dummy_Man, 1=man
-1 > 1, system missing > system missing, other > 0
-Dummy_vrouw, 1 =vrouw
-verander 2> 1
1.2: Bepalen van voorspellers en confounders (correlatie analyse)
1.3: Voldoen aan assumptie 2 -> Multicollineariteit en Singulariteit
• Multicollineariteit: – Correlatie van > .70 tussen onafhankelijke variabelen •
Singulariteit: correlatie is perfect dus 1.00 pearson
Het gaat hierbij bvb ook om de VIF en TOL-waardes. Er is géén sprake van
multicollineariteit als de VIF < 10 en de TOL > .10.
1.4: Betekenisvolle 0
standaardiseren dmv descriptives
1.5: Voldoen aan assumpties van lineariteit, normaliteit en homoscedasticiteit
Als significant is dan relatie, als niet significant dan geen relatie.
Regressieanalyse:
Analyze > regression linear
Independent, dependent, confounding (next) > dummies en gestandaardiseerde versies
Alles aanvinken bij opties statistics + confounding interval 95
plots > Y: ZRESID, X: ZPRED + normal probability plot
Interpreteren:
Eerst significantie en betrouwbaarheidsinterval
•Dan de slopes (regressiecoëfficiënten) (BETA!!, niet B)
•Dan de Part Correlations’ (welke is belangrijkst)
•En nog even de VIF en TOL checken
Mediatieanalyse & Sobeltest:
-uittekenen
-x op y testen dmv regressie (zie hierboven); c
