STATISTIEK -
EXAMENVRAGEN
, Examen 1 (januari 2020)
Alle gegevens die u nodig heeft, zijn beschikbaar in de Datasheet Examen1718. Gebruik voor alle
vragen een type 1 fout van 1% voor normale toetsen en 15% voor diagnostische toetsen.
Vraag 1: Het rekenkundig gemiddelde van ‘Perceived_Usefulness’ is
significant kleiner dan 11.
JUIST:
1. H0 = 11, Ha : <11 → normale toets → CI: 99%
2. Hypotheses → Mean (unknown Var.) – p-value
3. Select stored dataset → Examen1718 → Perceived_Usefulness
4. Alternative → less. Want je test of het kleiner dan is dus het is een one-tailed test.
5. Confidence → 0.99 → Want de type 1 fout is 1%.
6. Null Hypothesis → 11. Want de nulhypothese zegt dat het gelijk is aan 11 en de Ha zegt
kleiner dan.
7. P-value = 0,0022… dus hij is significant kleiner dan want de p-value is kleiner dan 1% (0,01).
Vraag 2: Het rekenkundig gemiddelde van ‘Perceived_Usefulness’ is
significant verschillend van ‘Perceived_Ease_of_Use’.
JUIST:
1. H0 : mean 1 – mean 2 = 0, Ha : mean 1 – mean 2 ≠ 0 → normale toets → CI: 99%
2. Je vergelijkt 2 samples met elkaar dus: Hypotheses → Two Sample Tests about the Mean
3. Select stored data → perceived_usefulness & perceived_ease_of_use
4. Column number of first sample: 1
5. Column number of second sample: 2
6. Confidence: 0.99
7. Alternative: two.sided. Dit doe je omdat het een 2 tailed test is. Want je berekent niet of het
rekenkundig gemiddelde groter of kleiner is maar of het gewoon verschillend is.
8. Are observations paired?: paired. Want ze komen uit dezelfde datasheet.
9. Null Hypothesis: 0. Want dan zouden ze niet significant verschillend zijn van elkaar.
10. P-value = 1.7328530696482e-46. e-46 betekent dat je de waarde ervoor gedeeld door 1046
doet dus dan is het hier dus significant verschillend want de p-value is kleiner dan 1%.
Vraag 3: In onderstaand model is de parameter van ‘Perceived_Ease_of_Use’
significant groter dan nul.
FOUT:
1. H0 = 0, Ha : > 0 → normale toets → CI: 99%
2. Met de parameter bedoeld men het getal dat voor ‘Perceived_Ease_of_Use’ staat.
3. Hier zien we een formule van een meervoudige lineaire regressie: Y = B0 + B1 x1 + B2 x2 + B3 x3
+ … + U.
4. -1.02844 = het intercept
5. Intention_to_use = endogene variabele
, 6. De andere datareeksen zijn de exogene variabelen.
7. Regression → Multiple Regression
8. Examen1718 → Intention_to_Use + Relative_Advantage + Perceived_Usefulness +
Perceived_Ease_of_Use + Information_Quality + System_Quality + groupB + genderB
9. Column number of endogenous series: 1 (intention_to_use)
10. Type of equation: No linear trend
11. Je moet naar de 1-tail p-value kijken want de alternatieve hypothese zegt dat de parameter
significant groter is dan nul.
12. 1-tail p-value van perceived_ease_of_use = 0.02792 → deze is groter dan 1% dus is de
parameter niet significant groter dan 0.
Vraag 4: Het model uit vraag 3 voldoet …
Aan alle onderstaande assumpties.
1. QQ-plot: residu’s bevatten nauwelijks autocorrelatie. Het zal wrs toeval zijn.
2. Skewness and kurtosis-test: het model heft een normale skewness en kurtosis.
Vraag 5: De residu’s van het model uit vraag 3 (Resid)…
JUIST. → Hebben een normale skewness en kurtosis.
1. Multiple regression → alle variabelen invullen van vraag 3.
2. Menu of residual diagnostics → skewness-kurtosis test
3. D’Agostino skewness test → p-value = 0.691, dit is groter dan onze alfa dus de skewness van
de residu’s is niet significant verschillend van 0.
4. Anscombe-Glynn kurtosis test → p-value = 0.2047, dit is groter dan onze alfa dus de kurtosis
van de residu’s is niet significant verschillend van 3.
5. De residu’s van het model hebben dus een normale skewness en kurtosis.
6. Je kan naar skewness-kurtosis plot gaan om het grafisch te testen. → Cullen and Frey graph
7. Het sterretje stelt de normaalverdeling voor. Aangezien het sterretje in de oranje
puntenwolk ligt en onze observatie (blauwe bol) vlakbij het sterretje ligt kunnen we zeggen
dat onze skewness en kurtosis niet significant verschillend zijn van die van een
normaalverdeling.
Vraag 6: Onderzoek het effect van ‘groupC’ en ‘genderC’ op de score van
‘Relative_Advantage’ en selecteer de enige juiste stelling uit het lijstje. Ter
informatie: ‘genderC’ = F voor vrouwen en M voor mannen / ‘groupC’ = B
voor bachelor en S voor schakel.
“Er is geen antwoord mogelijk”, Want de p-waarden zijn te hoog bij die 2way ANOVA.
We kunnen wel besluiten dat S een groter effect heeft op de score dan B.
1. Hypotheses → 2-way ANOVA.
2. Variable 1: relative advantage, variable 2: groupC, variable 3: genderC.
3. We kijken eerst naar groupC: de p-waarde is 0 dus er is geen onderling verband tussen B en
S.
a. Tukey Honest → Diff = 1,91 dus gemiddelde S is groter dan gemiddelde B.
b. De schakelstudenten hebben dus een groter effect op de score van de relative
advantage.
4. genderC: De p-waarde is groter dan onze alfa dus is er een verband tussen M en F. We
kunnen hierbij de 2-way anova dus niet gebruiken.
EXAMENVRAGEN
, Examen 1 (januari 2020)
Alle gegevens die u nodig heeft, zijn beschikbaar in de Datasheet Examen1718. Gebruik voor alle
vragen een type 1 fout van 1% voor normale toetsen en 15% voor diagnostische toetsen.
Vraag 1: Het rekenkundig gemiddelde van ‘Perceived_Usefulness’ is
significant kleiner dan 11.
JUIST:
1. H0 = 11, Ha : <11 → normale toets → CI: 99%
2. Hypotheses → Mean (unknown Var.) – p-value
3. Select stored dataset → Examen1718 → Perceived_Usefulness
4. Alternative → less. Want je test of het kleiner dan is dus het is een one-tailed test.
5. Confidence → 0.99 → Want de type 1 fout is 1%.
6. Null Hypothesis → 11. Want de nulhypothese zegt dat het gelijk is aan 11 en de Ha zegt
kleiner dan.
7. P-value = 0,0022… dus hij is significant kleiner dan want de p-value is kleiner dan 1% (0,01).
Vraag 2: Het rekenkundig gemiddelde van ‘Perceived_Usefulness’ is
significant verschillend van ‘Perceived_Ease_of_Use’.
JUIST:
1. H0 : mean 1 – mean 2 = 0, Ha : mean 1 – mean 2 ≠ 0 → normale toets → CI: 99%
2. Je vergelijkt 2 samples met elkaar dus: Hypotheses → Two Sample Tests about the Mean
3. Select stored data → perceived_usefulness & perceived_ease_of_use
4. Column number of first sample: 1
5. Column number of second sample: 2
6. Confidence: 0.99
7. Alternative: two.sided. Dit doe je omdat het een 2 tailed test is. Want je berekent niet of het
rekenkundig gemiddelde groter of kleiner is maar of het gewoon verschillend is.
8. Are observations paired?: paired. Want ze komen uit dezelfde datasheet.
9. Null Hypothesis: 0. Want dan zouden ze niet significant verschillend zijn van elkaar.
10. P-value = 1.7328530696482e-46. e-46 betekent dat je de waarde ervoor gedeeld door 1046
doet dus dan is het hier dus significant verschillend want de p-value is kleiner dan 1%.
Vraag 3: In onderstaand model is de parameter van ‘Perceived_Ease_of_Use’
significant groter dan nul.
FOUT:
1. H0 = 0, Ha : > 0 → normale toets → CI: 99%
2. Met de parameter bedoeld men het getal dat voor ‘Perceived_Ease_of_Use’ staat.
3. Hier zien we een formule van een meervoudige lineaire regressie: Y = B0 + B1 x1 + B2 x2 + B3 x3
+ … + U.
4. -1.02844 = het intercept
5. Intention_to_use = endogene variabele
, 6. De andere datareeksen zijn de exogene variabelen.
7. Regression → Multiple Regression
8. Examen1718 → Intention_to_Use + Relative_Advantage + Perceived_Usefulness +
Perceived_Ease_of_Use + Information_Quality + System_Quality + groupB + genderB
9. Column number of endogenous series: 1 (intention_to_use)
10. Type of equation: No linear trend
11. Je moet naar de 1-tail p-value kijken want de alternatieve hypothese zegt dat de parameter
significant groter is dan nul.
12. 1-tail p-value van perceived_ease_of_use = 0.02792 → deze is groter dan 1% dus is de
parameter niet significant groter dan 0.
Vraag 4: Het model uit vraag 3 voldoet …
Aan alle onderstaande assumpties.
1. QQ-plot: residu’s bevatten nauwelijks autocorrelatie. Het zal wrs toeval zijn.
2. Skewness and kurtosis-test: het model heft een normale skewness en kurtosis.
Vraag 5: De residu’s van het model uit vraag 3 (Resid)…
JUIST. → Hebben een normale skewness en kurtosis.
1. Multiple regression → alle variabelen invullen van vraag 3.
2. Menu of residual diagnostics → skewness-kurtosis test
3. D’Agostino skewness test → p-value = 0.691, dit is groter dan onze alfa dus de skewness van
de residu’s is niet significant verschillend van 0.
4. Anscombe-Glynn kurtosis test → p-value = 0.2047, dit is groter dan onze alfa dus de kurtosis
van de residu’s is niet significant verschillend van 3.
5. De residu’s van het model hebben dus een normale skewness en kurtosis.
6. Je kan naar skewness-kurtosis plot gaan om het grafisch te testen. → Cullen and Frey graph
7. Het sterretje stelt de normaalverdeling voor. Aangezien het sterretje in de oranje
puntenwolk ligt en onze observatie (blauwe bol) vlakbij het sterretje ligt kunnen we zeggen
dat onze skewness en kurtosis niet significant verschillend zijn van die van een
normaalverdeling.
Vraag 6: Onderzoek het effect van ‘groupC’ en ‘genderC’ op de score van
‘Relative_Advantage’ en selecteer de enige juiste stelling uit het lijstje. Ter
informatie: ‘genderC’ = F voor vrouwen en M voor mannen / ‘groupC’ = B
voor bachelor en S voor schakel.
“Er is geen antwoord mogelijk”, Want de p-waarden zijn te hoog bij die 2way ANOVA.
We kunnen wel besluiten dat S een groter effect heeft op de score dan B.
1. Hypotheses → 2-way ANOVA.
2. Variable 1: relative advantage, variable 2: groupC, variable 3: genderC.
3. We kijken eerst naar groupC: de p-waarde is 0 dus er is geen onderling verband tussen B en
S.
a. Tukey Honest → Diff = 1,91 dus gemiddelde S is groter dan gemiddelde B.
b. De schakelstudenten hebben dus een groter effect op de score van de relative
advantage.
4. genderC: De p-waarde is groter dan onze alfa dus is er een verband tussen M en F. We
kunnen hierbij de 2-way anova dus niet gebruiken.
